VesNet: Neural network accelerated solver for simulating Stokesian vesicle suspensions

Résumé technique : VesNet : un solveur accéléré par réseaux de neurones pour la simulation de suspensions de vésicules stochastiques

Énoncé du problème
La simulation numérique de suspensions de particules déformables, spécifiquement des vésicules, dans le régime d'écoulement de Stokes, est extrêmement coûteuse en termes de calcul. Ces systèmes sont caractérisés par des interactions fluide-structure fortement non linéaires, des interfaces évolutives et des phénomènes hydrodynamiques multi-échelles impliquant des effets de corps multiples à longue portée et des forces de lubrification à courte portée. Les méthodes traditionnelles de haute fidélité, telles que la méthode de l'équation intégrale de frontière (BIEM - Boundary Integral Equation Method), nécessitent la résolution de grands systèmes linéaires à chaque pas de temps et la gestion d'intégrales quasi-singulières coûteuses, ce qui les rend difficiles à mettre à l'échelle pour des suspensions denses ou des horizons temporels longs. Bien que l'apprentissage automatique (ML) ait été appliqué aux écoulements de particules, la plupart des approches existantes se concentrent sur des particules rigides ou agissent comme de purs modèles de substitution qui manquent de la fidélité physique requise pour les corps déformables avec un couplage hydrodynamique complexe.

Méthodologie : Cadre de travail VesNet
Les auteurs introduisent VesNet, un solveur hybride qui intègre des réseaux de neurones (NN) à des modules algorithmiques conventionnels pour accélérer les simulations de vésicules en deux dimensions. Plutôt que de remplacer l'intégralité du solveur physique, VesNet utilise des réseaux de neurones pour approximer des opérateurs différentiels intégraux spécifiques et coûteux, tout en conservant les algorithmes standards pour la reparamétrisation de la frontière et les interactions de champ lointain.

• Équations de conservation et séparation des opérateurs : Le solveur traite les équations couplées d'interaction fluide-solide pour des membranes inextensibles résistant à la flexion. Le schéma de pas de temps utilise une séparation d'opérateurs pour découpler les étapes d'advection (pilotée par l'écoulement de fond et les interactions entre vésicules) et de relaxation (pilotée par l'élasticité de la membrane).
• Approximation par opérateur neuronal : L'innovation centrale réside dans l'approximation des opérateurs non linéaires à l'aide de l'Iterated V-shape Net (IVNet), une architecture convolutionnelle multi-niveaux similaire à un U-Net.
  • Auto-interactions : L'IVNet approxime la carte de flux pour l'étape de relaxation et le calcul de la tension, qui dépendent uniquement de la configuration d'une seule vésicule.
  • Champ lointain et advection : Pour assurer la généralisation à des conditions d'écoulement arbitraires, le champ de vitesse est décomposé en une série de Fourier tronquée. Des sous-réseaux distincts sont entraînés pour mapper les configurations de vésicules vers la réponse de chaque mode de Fourier, permettant au solveur de gérer des écoulements de fond et des nombres de particules inédits sans réentraînement.
  • Intégration quasi-singulière : Un nouveau schéma basé sur les réseaux de neurones remplace la quadrature singulière traditionnelle pour les interactions de champ proche. La méthode construit cinq couches concentriques autour de la membrane d'une vésicule (incluant la membrane elle-même et des couches à $\pm h/2$ et $\pm h$). Les réseaux de neurones approximent l'intégrale de couche simple sur ces couches, et une interpolation par fonctions de base radiale (RBF) est utilisée pour récupérer les vitesses en des points arbitraires du champ proche. Cela évite l'évaluation directe coûteuse d'intégrales singulières pendant la simulation.
• Invariances physiques et entraînement : Les réseaux sont entraînés sur des simulations à horizon temporel court de vésicules uniques dans diverses conditions d'écoulement (cisaillement, Poiseuille, cylindres rotatifs). Pour garantir la généralisabilité, les données d'entrée sont standardisées pour l'invariance par translation, rotation et mise à l'échelle. Les réseaux sont entraînés pour minimiser l'erreur relative tant dans la solution que dans ses dérivées afin d'améliorer la régularité.
• Implémentation : L'ensemble du pipeline, y compris les étapes du solveur et l'inférence du réseau, est implémenté sur GPU via PyTorch. Le code utilise le batching, les opérations de tenseurs vectorisées et l'algèbre linéaire par lots (par exemple, la décomposition de Cholesky) pour maximiser le parallélisme.

Contributions clés

1. Architecture de solveur hybride : VesNet combine la précision de la BIEM avec la vitesse du ML en utilisant des réseaux de neurones spécifiquement pour les opérateurs les plus coûteux (intégrales quasi-singulières et auto-interactions) tout en conservant des algorithmes exacts pour les interactions de champ lointain et les contraintes géométriques.
2. IVNet pour l'écoulement de Stokes : L'application des réseaux de type "Iterated V-shape" pour approximer les opérateurs non linéaires dans les écoulements de particules stochiques, démontrant leur efficacité à capturer la nature multi-échelle et les structures convolutionnelles inhérentes à la solution fondamentale.
3. Intégration quasi-singulière neuronale : Une nouvelle stratégie pour gérer les interactions de champ proche qui élimine le besoin de règles de quadrature singulières lors de la simulation, en les remplaçant par des approximations par réseaux de neurones et une interpolation RBF.
4. Généralisation via la décomposition de Fourier : Une méthode pour découpler le réseau des conditions d'écoulement spécifiques en s'entraînant sur les modes de Fourier du champ de vitesse, permettant au solveur de gérer des écoulements de fond et des densités de suspension arbitraires sans réentraînement.
5. Performance accélérée par GPU : Une implémentation entièrement accélérée par GPU qui atteint des accélérations significatives par rapport aux versions CPU et GPU des solveurs BIEM de pointe.

Résultats et performances
Les auteurs évaluent VesNet par rapport à des simulations BIEM de référence à travers plusieurs scénarios :

• Relaxation : VesNet récupère avec précision la forme d'équilibre et l'énergie de flexion d'une vésicule déformée dans un fluide stationnaire, même pour des configurations absentes de l'ensemble de données d'entraînement.
• Écoulement de Poiseuille : Le solveur prédit correctement la migration latérale et les configurations d'équilibre des vésicules sous diverses confinements et nombres capillaires. VesNet avec $N=32$ points de discrétisation atteint une précision comparable ou supérieure à la BIEM avec la même résolution, et approche la précision de la BIEM avec $N=128$.
• Écoulement de cisaillement (paires de vésicules) : Dans les simulations de deux vésicules interagissantes, le schéma d'intégration quasi-singulière proposé s'avère essentiel pour la stabilité. Sans lui, des collisions se produisent de manière erronée ; avec la correction par réseau de neurones, VesNet capture avec précision la distance de séparation et évite les collisions, correspondant aux résultats BIEM à haute résolution.
• Suspensions denses : Les simulations de 2 000 vésicules dans des écoulements de Taylor-Green et de Poiseuille démontrent que VesNet reproduit avec une grande fidélité les observables clés (par exemple, la formation de la couche exempte de cellules, les statistiques de migration).
• Accélération : VesNet délivre une accélération de 100$\times$ par rapport à une implémentation CPU multithreadée de la BIEM en MATLAB, et une accélération de 5$\times$ par rapport à une implémentation GPU de cette même BIEM. Un seul pas de temps pour 2 000 vésicules prend 1,4 seconde sur un NVIDIA GH200.

Signification et limites
L'article affirme que VesNet fournit un outil robuste pour l'exploration de paramètres, l'optimisation et la quantification de l'incertitude dans les suspensions de vésicules, des scénarios qui sont souvent trop lents pour les simulations traditionnelles. En atteignant une précision de niveau BIEM à des résolutions spatiales et temporelles réduites, VesNet permet des simulations étendues avec des ressources de calcul relativement modestes.

Les auteurs notent explicitement les limites actuelles :

• Le cadre est restreint aux simulations en 2D.
• Il ne prend pas actuellement en compte les contrastes de viscosité entre les fluides intérieur et extérieur de la vésicule.
• Il ne peut pas garantir des interactions sans collision dans tous les régimes, un défi qui reste difficile même pour la BIEM standard.
• Le solveur suppose que le fluide à l'intérieur de la vésicule est identique au fluide en suspension.

Ce travail établit un cadre fondamental pour l'extension de ces approches hybrides ML-physique vers des systèmes 3D et des applications biologiques et industrielles plus complexes.