MATLAB-Based Layerwise Self-Adaptive Physics-Informed Neural Network in Applications to Multidimensional Coupled Burgers' Equations with High Reynolds Numbers

Résumé Technique : Réseau de Neurones Informé par la Physique Auto-Adaptatif par Couches basé sur MATLAB pour les Équations de Burgers Couplées Multidimensionnelles

Énoncé du Problème
L'article traite des défis computationnels associés à la simulation des profils de solutions spatio-temporelles des équations de Burgers couplées multidimensionnelles (ECBM) à nombres de Reynolds élevés. À mesure que le temps évolue, ces équations génèrent des fronts de choc nets et des gradients de solution abrupts. Les méthodes numériques conventionnelles basées sur des maillages, telles que les différences finies et les éléments finis, peinent à gérer ces caractéristiques en raison d'une faible stabilité, d'une forte dépendance au maillage et des prohibitions computationnelles de la « malédiction de la dimensionnalité » lorsqu'un maillage extrêmement fin est requis. De plus, les réseaux de neurones informés par la physique (PINN) standards échouent souvent à résoudre ces problèmes à haut nombre de Reynolds car les termes convectifs dominants créent un paysage de perte « raide ». Cette raideur provoque le blocage des optimiseurs dans des minima locaux, empêchant le réseau de capturer avec précision les gradients abrupts caractéristiques de la solution.

Méthodologie
Les auteurs proposent un cadre amélioré nommé LSAAL-PINN (PINN auto-adaptatif par couches entraîné avec Adam et L-BFGS). La méthodologie est implémentée dans MATLAB à l'aide de la Deep Learning Toolbox pour la différenciation automatique et est conçue pour résoudre les ECBM de dimension $d$ ($d=1, 2, 3$).

Composants méthodologiques clés :

1. Architecture du Réseau : Un réseau de neurones profonds (DNN) approxime la solution $u(x, t)$. Le réseau utilise une structure de propagation avant avec $k$ couches cachées, employant la fonction d'activation tangente hyperbolique ($\tanh$) pour assurer la lissité requise pour le calcul des dérivées d'ordre supérieur via la différenciation automatique.
2. Pondération Auto-Adaptative par Couches : Contrairement aux PINN standards qui utilisent des poids fixes pour les différentes composantes de perte, ce cadre emploie une stratégie dynamique. La fonction de perte totale $L(\theta, \lambda)$ est une somme pondérée du résidu de l'EDP ($L_{PDE}$), du résidu de la condition initiale ($L_{IC}$) et du résidu de la condition aux limites ($L_{BC}$). Les poids $\lambda = [\lambda_{PDE}, \lambda_{IC}, \lambda_{BC}]$ sont des paramètres entraînables mis à jour via l'ascension de gradient pour maximiser la perte totale, garantissant qu'aucun terme de résidu ne domine le processus d'entraînement. Ces poids sont mappés via une transformation logarithmique pour maintenir une positivité stricte et une stabilité numérique.
3. Optimisation à Deux Phases : Le processus d'entraînement utilise une stratégie en deux étapes :
   • Phase 1 (Optimisation Globale) : Les paramètres du réseau $\theta$ et les poids adaptatifs $\lambda$ sont mis à jour de manière itérative à l'aide de l'optimiseur Adam.
   • Phase 2 (Raffinement) : Les poids adaptatifs $\lambda$ sont gelés, et l'optimisation transite vers l'algorithme de second ordre L-BFGS pour affiner la solution et accélérer la convergence vers une tolérance prescrite.
4. Échantillonnage : Pour capturer efficacement les gradients abrupts, le cadre utilise l'échantillonnage par hypercube latin (LHS) pour générer des points de collocation, garantissant que les points sont distribués à proximité des régions de transition.

Contributions Clés et Dispositif Expérimental
L'étude introduit le cadre LSAAL-PINN et valide son efficacité en le comparant à deux variantes de référence :

• AL-PINN : Un PINN standard utilisant les optimiseurs Adam et L-BFGS mais sans pondération auto-adaptative.
• A-PINN : Un PINN standard entraîné uniquement avec l'optimiseur Adam.

Les auteurs ont mené des expériences numériques sur les équations de Burgers couplées 1D, 2D et 3D avec des nombres de Reynolds élevés (faible viscosité $\nu$). La précision a été mesurée à l'aide de la norme de l'erreur relative $L_2$.

Résultats

• Équation de Burgers 1D : Le LSAAL-PINN a atteint une erreur $L_2$ relative de $1,79 \times 10^{-4}$, surpassant l'AL-PINN ($3,10 \times 10^{-4}$) et l'A-PINN ($8,65 \times 10^{-3}$). Les résultats ont démontré que le LSAAL-PINN s'alignait plus précisément avec la solution exacte, particulièrement au niveau du front de choc.
• Équations de Burgers Couplées 2D (Haut Nombre de Reynolds) : Pour $\nu = 0,0001$, le LSAAL-PINN a fourni des résultats environ 8 fois plus précis que l'AL-PINN et 1385 fois plus précis que l'A-PINN pour la composante de vitesse $v$ à $t=1$. L'A-PINN n'a pas réussi à capturer la discontinuité de type choc, tandis que le LSAAL-PINN a réussi à résoudre les gradients abrupts.
• Équations de Burgers Couplées 3D : Le LSAAL-PINN a systématiquement produit les erreurs $L_2$ les plus faibles à travers différents niveaux de temps par rapport aux autres variantes. Le cadre a également résolu avec succès les ECBM 3D avec un nombre de Reynolds de $Re=100$, maintenant une précision de l'ordre de $10^{-3}$.
• Comportement de Convergence : Les graphiques de perte ont indiqué que si l'A-PINN stagnait ou oscillait, l'optimisation à deux phases (Adam suivi de L-BFGS) dans l'AL-PINN et le LSAAL-PINN a conduit à une réduction significative de la perte. L'ajout de la pondération auto-adaptative dans le LSAAL-PINN a davantage minimisé la perte totale par rapport à l'AL-PINN.

Signification et Revendications
L'article affirme que l'intégration d'une stratégie de pondération auto-adaptative par couches avec une approche d'optimisation à deux phases est suffisante pour capturer les profils de solution à gradients abrupts dans les ECBM sans nécessiter de stratégies de pondération par point coûteuses en calcul. Les auteurs soutiennent que ce cadre est plus efficace, précis et robuste que les PINN standards pour simuler la dynamique spatio-temporelle des écoulements à haut nombre de Reynolds.

L'étude souligne que, bien que la littérature existante se soit largement concentrée sur les équations de Burgers 1D à nombres de Reynolds modérés (souvent en Python), ce travail fait progresser le domaine en résolvant avec succès les ECBM 2D et 3D à hauts nombres de Reynolds à l'aide d'une implémentation basée sur MATLAB. Les auteurs concluent que le cadre proposé traite efficacement la raideur du paysage de perte, permettant la prédiction précise de fronts de choc nets que les méthodes standards peinent à résoudre. Des travaux futurs sont suggérés pour étendre ce cadre à d'autres EDP dépendantes du temps complexes.