Résumé Technique : Apprentissage de Métriques Riemanniennes Discrètes pour les Champs Physiques avec Équivariance de Co-chaîne de Cadre

Énoncé du Problème

Les champs physiques définis sur des maillages (par exemple, la pression de fluide, le flux électromagnétique, la vorticité) présentent une dualité fondamentale : leurs lois de conservation et leurs identités topologiques (telles que $\nabla \times \nabla \phi = 0$ ou $\nabla \cdot (\nabla \times A) = 0$) sont exactes et déterminées uniquement par la structure d'incidence du maillage (la topologie). À l'inverse, les propriétés géométriques, les réponses des matériaux, les couplages anisotropes et la propagation dépendante de la courbure sont spécifiques au domaine et doivent être apprises à partir de données.

Les modèles de substitution neuronaux existants confondent souvent ces rôles au sein d'architectures de passage de messages non contraintes. En traitant toutes les interactions comme apprenables, ces modèles peinent à préserver les identités topologiques exactes (comme la condition du complexe de co-chaînes $d^2=0$) et échouent souvent à se généraliser à travers diverses géométries ou résolutions de maillage. Le défi central consiste à concevoir une architecture neuronale qui sépare strictement les contraintes topologiques fixes des paramètres géométriques apprenables tout en respectant les symétries inhérentes aux champs physiques.

Méthodologie : Passage de Messages de Hodge Riemannien (RHMP)

Les auteurs proposent le Passage de Messages de Hodge Riemannien (RHMP), une architecture neuronale qui formalise la séparation de la topologie et de la géométrie comme un principe de conception.

1. Factorisation Topologique-Géométrique

Le RHMP est construit sur le calcul extérieur discret (DEC) et le calcul extérieur des éléments finis (FEEC). Il représente les champs physiques comme des co-chaînes sur un complexe de cellules :

• 0-co-chaînes : Champs scalaires (ex: pression) sur les sommets.
• 1-co-chaînes : Champs de flux/circulation sur les arêtes orientées.
• 2-co-chaînes : Champs d'intensité (ex: vorticité) sur les faces.

L'architecture fixe les opérateurs de cobordure ($d_k$), qui sont déterminés entièrement par l'incidence orientée du maillage. Ces opérateurs imposent des identités topologiques exactes, spécifiquement l'identité du complexe de co-chaînes $d_{k+1}d_k = 0$ (l'analogue discret de $\nabla \times \nabla = 0$ et $\nabla \cdot (\nabla \times) = 0$).

Au lieu d'apprendre les opérateurs, le RHMP apprend les métriques riemanniennes discrètes ($H_k$). Ce sont des matrices symétriques définies positives (SPD) agissant sur les espaces de co-chaînes. $H_k$ définit le produit scalaire $\langle x, y \rangle_{H_k} = \text{tr}(x^\top H_k y)$, apprenant ainsi la géométrie, les propriétés des matériaux et les couplages anisotropes.

2. L'Opérateur de Passage de Messages

Le cœur de la couche de passage de messages est un bloc de Hodge pondéré par la métrique. Pour une caractéristique de co-chaîne $k$ notée $x_k$, l'opérateur calcule :
$$L^H_k x_k = d_{k-1} H^{\downarrow}_{k-1} d^\top_{k-1} x_k + d^\top_k H^{\uparrow}_{k+1} d_k x_k$$
Ici, $d_k$ élève les caractéristiques vers l'espace de co-chaîne suivant, $H_{k+1}$ les pondère (apprenant la géométrie), et $d^\top_k$ les projette en retour. Cette structure garantit que l'opérateur résultant est semi-défini positif dès lors que $H_k \succ 0$, garantissant des énergies de Hodge non négatives.

3. Équivariance de Co-chaîne de Cadre

Une innovation clé est l'imposition de l'équivariance de co-chaîne de cadre. Les caractéristiques cachées d'une co-chaîne existent dans un espace de canaux auxiliaire de dimension $C$. Les auteurs soutiennent que la propagation physique doit être invariante aux changements de base orthogonaux ($R \in O(C)$) dans cet espace de canaux.

• Mécanisme : Le prédicteur de métrique $H_k$ est construit uniquement à partir de statistiques invariantes par $O(C)$ (ex: normes et produits scalaires des caractéristiques).
• Non-linéarité : Le RHMP utilise des non-linéarités à porte de norme de la forme $\sigma_{\text{gate}}(m) = g(\|m\|)m$. Cela garantit que si les caractéristiques d'entrée sont rotées par $R$, la sortie est également rotée par $R$, préservant la représentation sans altérer la propagation physique.

4. Garanties de Symétrie

En fixant $d_k$ et en apprenant $H_k$ avec des contraintes spécifiques, le RHMP garantit :

• Topologie Exacte : $d^2=0$ est respecté exactement par construction, indépendamment de l'entraînement.
• Semi-définie Positivité : Les opérateurs de Hodge sont semi-définis positifs, assurant la stabilité de la dynamique énergétique.
• Invariance de Jauge : Pour les champs de jauge abéliens (représentés comme des 1-co-chaînes $A$), les observables de courbure $F = dA$ sont exactement invariantes sous les décalages de jauge $A \mapsto A + d\lambda$ car $d(d\lambda) = 0$.
• Équivariance Spatiale : L'architecture respecte les symétries euclidiennes ($E(n)$) en utilisant des invariants géométriques (distances, aires) comme entrées au prédicteur de métrique.

Contributions Clés

1. Formulation Centrée sur la Métrique : L'article recadre l'apprentissage de champs physiques sur des maillages comme l'apprentissage de métriques riemanniennes discrètes ($H_k$) sur des co-chaînes tout en gardant les applications de bord ($d_k$) fixes. Cela sépare explicitement la topologie, la géométrie et les lois de conservation.
2. Théorème de Symétrie de Co-chaîne de Cadre & Architecture : Les auteurs prouvent qu'imposer $H_k \succ 0$, l'invariance $O(C)$ dans la prédiction de la métrique et l'invariance $E(n)$ dans les entrées spatiales produit des énergies non négatives, des opérateurs semi-définis positifs et un passage de messages équivariant de co-chaîne de cadre. Ils fournissent une architecture constructive (RHMP) qui implémente directement ces conditions.
3. Conséquence des Champs de Jauge & Validation Empirique : Le cadre hérite naturellement d'une invariance de courbure exacte pour les champs de jauge abéliens. Empiriquement, le RHMP surpasse 12 modèles de référence (incluant les GNN, les réseaux de complexes cellulaires, les CNN équivariants de jauge et les opérateurs neuronaux) sur sept benchmarks couvrant la dynamique des fluides, l'électromagnétisme et les théories de jauge.

Résultats Expérimentaux

Le RHMP a été évalué sur sept tâches :

1. Vorticité de Navier-Stokes : Prédiction sur grille structurée. Le RHMP a surpassé l'opérateur de Fourier (FNO) et d'autres bases, démontant que la factorisation de Hodge est bénéfique même sur des grilles régulières.
2. Advection-Diffusion sur Tore : Transport scalaire sur une topologie non triviale.
3. Écoulement de Surface Ellipsoïdale : Nécessitait des lectures vectorielles $E(n)$-équivariantes.
4. Électrostatique de Maxwell-Poisson : Imposait des champs électriques sans rotation ($\nabla \times E = 0$).
5. Boucle de Wilson U(1) : Test de l'invariance exacte de la courbure abélienne. Le RHMP a atteint un SSIM quasi parfait (0,993) et a nettement surpassé les bases n'imposant pas exactement $d^2=0$.
6. Yang-Mills SU(2) : Test du couplage des termes différentiels ($dA$) et des commutateurs non linéaires ($[A, A]$).
7. AirfRANS (CFD à Maillage Variable) : Généralisation à des maillages non structurés par échantillon. Le RHMP a obtenu les meilleures performances, transférant avec succès entre des maillages de tailles et de connectivités variables grâce à ses poids entraînables invariants au maillage.

Résultats Clés :

• Le RHMP a obtenu les meilleures performances globales sur les sept tâches.
• Les gains les plus importants ont été observés dans les tâches où la topologie, la géométrie apprise et la structure du champ interagissent (ex: champs de jauge).
• Les études d'ablation ont confirmé que fixer $d_k$ et utiliser des non-linéarités à porte de norme est essentiel pour préserver les identités topologiques ($d^2=0$) et l'équivariance de co-chaîne de cadre. Supprimer ces contraintes fait dégrader les diagnostics structurels (comme $\|d^2\|_F$) de plusieurs ordres de grandeur, même si la précision ponctuelle reste élevée.
• Le RHMP passe à l'échelle efficacement sur de grands maillages (100K cellules) avec une complexité temporelle quasi linéaire et une utilisation de mémoire nettement inférieure par rapport aux bases de complexes cellulaires denses.

Signification et Revendications

L'article affirme que le RHMP établit un nouveau paradigme architectural pour les substituts physiques : fixer la topologie, apprendre la géométrie.

• Signification Théorique : Il fournit un cadre mathématique rigoureux (Théorème 1) liant l'apprentissage de métrique aux lois de conservation physiques et aux propriétés de symétrie. Il démontre que l'imposition de l'équivariance de co-chaîne de cadre est nécessaire pour apprendre une propagation géométrique indépendante des choix de base de caractéristiques arbitraires.
• Signification Pratique : En découplant la connectivité du maillage (topologie) de la métrique apprise (géométrie), le RHMP permet de généraliser l'apprentissage à différentes résolutions et connectivités de maillage, une exigence critique pour la mécanique des fluides numérique (CFD) et la conception d'ingénierie.
• Portée : Les auteurs positionnent le RHMP comme une méthode pour l'apprentissage de "champs physiques sur maillage". Ils précisent explicitement que bien qu'il traite exactement les champs de jauge abéliens, des travaux futurs sont nécessaires pour étendre la couche de métrique à la covariance de jauge non-abélienne complète (transport à valeur de groupe). La méthode est présentée comme un outil de modélisation de substitution pour accélérer les simulations en ingénierie et en physique, et non comme un cadre d'apprentissage de graphes à usage général.

L'article conclut que la séparation des contraintes topologiques de l'apprentissage géométrique produit des gains de performance constants, particulièrement dans les régimes où les lois de conservation et les structures de jauge sont primordiales.