Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

Dans le monde de l'ingénierie et de la physique, les scientifiques sont souvent confrontés à un choix difficile lorsqu'ils simulent le comportement des matériaux ou le mouvement des fluides. Ils peuvent exécuter un modèle informatique complet et hautement détaillé qui capture chaque nuance infime du monde physique, mais ces calculs sont si lourds qu'ils prennent des jours ou des semaines pour se terminer, ce qui rend impossible le test de nombreux scénarios différents. Alternativement, ils peuvent utiliser une version simplifiée et plus rapide du modèle, mais ce raccourci manque souvent de détails importants ou s'effondre lorsque la situation devient compliquée. Pendant des décennies, les chercheurs ont tenté de résoudre cela en divisant un grand problème en morceaux plus petits, en attribuant le modèle simplifié et rapide aux parties faciles et le modèle détaillé et lent aux parties difficiles. Cependant, une limitation majeure est restée : une fois que l'ordinateur décide quelle partie reçoit quel modèle, cette décision est généralement verrouillée pour toute la simulation. Si une onde de choc ou une fissure se déplace d'une zone « simple » vers une zone « détaillée », la simulation peut échouer car le modèle simplifié ne peut pas gérer une complexité soudaine.

Une équipe de chercheurs a développé une nouvelle façon de permettre à l'ordinateur de changer d'avis pendant que la simulation est en cours. En apprenant à un programme informatique à agir comme un gestionnaire intelligent, ils ont créé un système qui surveille la simulation en temps réel et décide instantanément quelles parties nécessitent le modèle détaillé et lémentaire et lesquelles peuvent se contenter du modèle rapide et simplifié. Cette approche utilise une technique d'apprentissage par renforcement, où l'ordinateur apprend par essais et erreurs, tout comme un joueur apprenant un jeu vidéo, pour trouver le meilleur équilibre entre vitesse et précision. Les chercheurs ont testé ce système sur deux problèmes très différents : un écoulement unidimensionnel d'un fluide avec un front mobile et une simulation tridimensionnelle d'une poutre d'acier vibrant sous la contrainte. Ils ont constaté que l'ordinateur pouvait suivre avec succès des caractéristiques mobiles, telles qu'une onde voyageante ou un front de choc, en basculant automatiquement le modèle haute fidélité vers la région où il était le plus nécessaire. Cela a permis à la simulation de rester précise sans le coût massif de l'exécution du modèle détaillé partout, et le système a fonctionné même lorsqu'il a été testé sur des situations qu'il n'avait jamais vues auparavant.

Le cœur de ce travail réside dans une méthode appelée la méthode alternée de Schwarz chevauchante, qui est une façon de résoudre un grand problème en le divisant en morceaux chevauchants plus petits. Imaginez une grande carte couverte par deux feuilles transparentes ; les bords des feuilles se chevauchent, et l'information est transmise d'une feuille à l'autre jusqu'à ce que l'image soit cohérente sur toute la carte. Par le passé, les chercheurs attribuaient un type spécifique de modèle mathématique à chaque feuille et le maintenaient ainsi. La nouvelle méthode ajoute une couche d'intelligence au-dessus de ce processus. Les chercheurs ont entraîné un agent numérique à l'aide d'un type d'intelligence artificielle connu sous le nom de réseau Q profond (deep Q-network). Cet agent a été exposé à des milliers de scénarios de simulation différents et a appris à prendre des décisions basées sur un système de récompense. La récompense était élevée si la simulation était précise et rapide, mais elle était pénalisée si l'agent changeait d'avis inutilement, ce qui gaspillait du temps. Le but était d'apprendre à l'agent à reconnaître quand une caractéristique complexe, comme une onde tranchante ou un front mobile, entrait dans une zone spécifique et à basculer cette zone vers le modèle détaillé juste à temps.

Dans le premier test, les chercheurs ont simulé un écoulement unidimensionnel où un front net se déplaçait à travers un tuyau. Ils ont configuré la simulation avec trois sections chevauchantes et ont donné à l'agent le choix d'exécuter soit le modèle détaillé, soit le modèle simplifié dans chaque section. L'agent a appris à maintenir le modèle simplifié actif dans les parties calmes du tuyau tout en basculant le modèle détaillé vers la section contenant le front mobile. À mesure que le front voyageait de gauche à droite, l'agent déplaçait de manière fluide le modèle détaillé pour le suivre. Les résultats étaient frappants : le système intelligent a obtenu un taux d'erreur cinq fois plus petit que la meilleure disposition fixe de modèles, tout en étant plus rapide que l'utilisation du modèle détaillé partout. Curieusement, les chercheurs ont également testé une version où l'agent pouvait changer la taille et la position des sections chevauchantes elles-mêmes, et non seulement les modèles. Ils ont constaté que cette liberté supplémentaire n'améliorait pas réellement les résultats ; le système fonctionnait mieux en se concentrant simplement sur le déplacement du modèle détaillé à l'intérieur d'une configuration fixe. Cela suggère que pour ce type de problème, la capacité de changer de modèle est le facteur le plus critique, et que le remodelage constant de la grille ajoute une complexité inutile.

Le second test est passé au monde de la mécanique des solides, utilisant une simulation tridimensionnelle d'une poutre d'acier à l'intérieur d'un code logiciel spécialisé appelé Norma.jl. Ce scénario impliquait une onde voyageant à travers la poutre, rebondissant aux extrémités et se déplaçant d'avant en arrière. Les chercheurs ont configuré la poutre avec deux puis trois sections chevauchantes, entraînant l'agent à assigner les modèles détaillés ou simplifiés à ces sections à mesure que l'onde se déplaçait. Dans le test à deux sections, l'agent a correctement assigné le modèle détaillé à la section où l'onde se trouvait actuellement et le modèle simplifié à la section calme. Lorsque l'onde a frappé l'extrémité de la poutre et s'est réfléchie, l'agent a immédiatement basculé le modèle détaillé de l'autre côté pour suivre l'onde de retour. Le même comportement s'est produit pour la configuration à trois sections. Les politiques apprises étaient si efficaces qu'elles ont réduit l'erreur de plus de dix fois par rapport à la meilleure disposition de modèles fixes, tout en réduisant le temps de calcul total de plusieurs secondes. Crucialement, les chercheurs ont testé ces agents entraînés sur de nouveaux scénarios avec des positions de départ et des largeurs d'ondes différentes qui ne faisaient pas partie des données d'entraînement. Les agents se sont généralisés parfaitement, gérant ces situations inconnues avec la même habileté, prouvant que le système avait appris une règle générale plutôt que de simplement mémoriser des exemples spécifiques.

L'étude a également souligné l'importance d'une règle spécifique dans le processus d'entraînement : une pénalité pour le changement trop fréquent de modèle. Sans cette pénalité, l'agent avait tendance à basculer rapidement entre les modèles détaillés et simplifiés, ce qui est inefficace et peut causer une instabilité dans la simulation. En ajoutant un faible coût à chaque changement, les chercheurs ont appris à l'agent à être plus délibéré, changeant sa stratégie uniquement lorsque la physique de la situation l'exigeait vraiment. Cela a abouti à une simulation beaucoup plus fluide et stable, tout en maintenant une grande précision. Les chercheurs ont noté que bien que les modèles simplifiés utilisés aient été pré-entraînés et fixes, la capacité de les changer en ligne est une étape importante en avant. Ils ont reconnu que les travaux futurs pourraient impliquer la mise à jour des modèles simplifiés à la volée à mesure que de nouvelles données arrivent, mais pour l'instant, la capacité de choisir dynamiquement le bon outil pour la bonne tâche au bon moment s'est avérée être un moyen puissant de rendre les simulations complexes à la fois plus rapides et plus fiables.

En fin de compte, cette recherche démontre que l'intelligence artificielle peut être utilisée pour gérer le compromis entre vitesse et précision dans le calcul scientifique. En laissant un ordinateur apprendre quand utiliser un modèle lourd et quand compter sur un modèle léger, les ingénieurs peuvent simuler des événements complexes et changeants sans attendre des jours pour obtenir les résultats. Le système n'a pas besoin d'être réentraîné pour chaque nouveau problème ; une fois qu'il a appris les principes généraux de l'équilibre entre précision et coût, il peut appliquer ces connaissances à de nouvelles situations qu'il n'a jamais rencontrées. Cela ouvre la porte à une optimisation de conception plus rapide et à une meilleure compréhension des systèmes physiques, de l'écoulement des fluides à la vibration des structures, en rendant les simulations haute fidélité pratiques pour des problèmes qui étaient auparavant trop coûteux ou trop lents à résoudre.