S$^{2}$-PINN: Stochastic Separable Physics-Informed Neural Networks

Dans le monde de l'ingénierie et des sciences du climat, prédire l'avenir est rarement une question de certitude simple. Lorsque les scientifiques modélisent la façon dont la chaleur se propage à travers une poutre métallique, dont l'eau filtre à travers le sol ou dont l'air tourbillonne autour d'une aile d'avion, ils doivent tenir compte du fait que les données d'entrée ne sont jamais parfaitement connues. Un matériau peut être légèrement plus rugueux à un endroit, ou le vent peut souffler un peu plus fort que prévu. Ces petites variations aléatoires se répercutent dans les équations, créant un vaste nuage de résultats possibles plutôt qu'une réponse unique et fixe. Pour comprendre le risque, les ingénieurs ont besoin de connaître non seulement le résultat le plus probable, mais aussi toute la gamme des possibilités et la probabilité de chacune d'elles. Ce domaine, connu sous le nom de quantification de l'incertitude, est essentiel pour concevoir des ponts sûrs, des dispositifs médicaux fiables et des modèles climatiques précis. Cependant, calculer ces probabilités a historiquement été une tâche monumentale. Les méthodes traditionnelles nécessitent souvent d'exécuter la même simulation complexe des milliers de fois, chacune avec des entrées aléatoires légèrement différentes, pour construire une image de l'ensemble. À mesure que le nombre de facteurs incertains augmente, la puissance de calcul requise explose, rendant de nombreux problèmes du monde réel trop coûteux à résoudre avec les outils actuellement disponibles.

Une équipe de chercheurs de l'Université de Lehigh a introduit une nouvelle approche qui s'attaque à ce goulot d'étranglement informatique en changeant la manière dont la solution est construite depuis sa base. Ils ont développé un système appelé S2-PINN, qui signifie Stochastic Separable Physics-Informed Neural Network (Réseau de neurones informés par la physique stochastique et séparable). Au lieu de traiter le problème comme une toile immense et emmêlée où l'espace, le temps et l'aléa sont tous mélangés, cette méthode décompose la solution en trois morceaux distincts et gérables. Imaginez la solution comme une tapisserie ; plutôt que de tisser chaque fil de couleur, de temps et de lieu dans un seul bloc dense, les chercheurs séparent les fils en trois faisceaux clairs : un pour l'espace physique, un pour le passage du temps et un pour les variations aléatoires. Ces faisceaux sont ensuite retissés en utilisant un motif spécifique et efficace qui maintient le nombre total de fils bas. Cette séparation permet à l'ordinateur de gérer l'aléa sans être ralenti par le volume massif de calculs habituellement requis.

Le cœur de ce nouveau système est une combinaison astucieuse de trois outils spécialisés travaillant en harmonie. Premièrement, il utilise un ensemble flexible de blocs de construction pour décrire la forme de la solution dans l'espace, s'adaptant à la géométrie du problème. Deuxièmement, il emploie un ensemble rythmique de caractéristiques pour suivre comment la solution change au fil du temps, de la même manière qu'un musicien utiliserait un ensemble de notes pour décrire une mélodie. Troisièmement, et plus crucialement pour l'aspect de l'incertitude, il utilise une bibliothèque mathématique de formes standards pour représenter les variations aléatoires. Ces trois ensembles d'outils sont reliés par un connecteur compact de rang faible qui garantit qu'ils fonctionnent de concert sans nécessiter un calcul séparé et massif pour chaque combinaison d'espace, de temps et d'aléa. Le système est entraîné par un processus double : il vérifie que la solution respecte les lois fondamentales de la physique en chaque point, et il s'assure également que les motifs statistiques de l'aléa correspondent au comportement attendu. Ce double contrôle agit comme un contrôle de qualité rigoureux, forçant le modèle à être à la fois physiquement précis et statistiquement fondé.

Lorsque les chercheurs ont testé cette nouvelle méthode contre une grande variété de problèmes difficiles, les résultats ont été frappants. Ils ont lancé des simulations sur quatre types différents de systèmes physiques, incluant des modèles de diffusion de la chaleur, de flux de fluides et de réactions chimiques, tous avec des entrées aléatoires. Dans chaque cas, la nouvelle méthode a produit des prédictions plus précises du résultat moyen et de la dispersion des résultats possibles que neuf autres méthodes de pointe. Elle a atteint ce niveau élevé de précision tout en utilisant nettement moins de ressources informatiques ; dans une comparaison, le nouveau modèle utilisait environ trente fois moins de paramètres ajustables qu'un réseau de neurones standard traditionnel. Cette efficacité est vitale car elle signifie que la méthode peut passer à l'échelle pour des problèmes comportant beaucoup plus de facteurs aléatoires sans faire planter l'ordinateur. Les chercheurs ont poussé le système dans ses retranchements, le testant avec jusqu'à cinquante variables aléatoires différentes, un niveau de complexité qui submergerait typiquement les approches standards. Même dans ces tests extrêmes, la méthode est restée stable et précise.

L'étude a également exploré si cette approche pouvait fonctionner sur des problèmes où la réponse n'est pas connue à l'avance, comme la prédiction du flux d'eau à travers une roche à la perméabilité imprévisible. Ici, la méthode a de nouveau surpassé les techniques traditionnelles, fournissant des estimations fiables à la fois du flux moyen et de l'incertitude qui l'entoure. De plus, les chercheurs ont démontré que le système pouvait fonctionner en sens inverse. Au lieu de simplement prédire le résultat d'un ensemble de conditions connues, le système peut observer des données et remonter en arrière pour découvrir les propriétés cachées et aléatoires du matériau lui-même. Cette capacité à résoudre des « problèmes inverses » ouvre la porte à l'utilisation de la méthode pour identifier les propriétés inconnues des matériaux dans des scénarios réels, tels que la détection de défauts dans les infrastructures ou la caractérisation de réservoirs souterrains.

L'une des découvertes les plus significatives concerne la manière dont la méthode gère la relation entre l'aléa et la physique. Les chercheurs ont découvert que lorsque les variations aléatoires suivent un motif fluide et prévisible, la partie statistique du modèle agit comme un guide puissant, affinant la précision de la prédiction. Cependant, ils ont également constaté que si l'aléa est extrêmement erratique ou suit un motif qui ne correspond pas aux formes standards utilisées par le modèle, le guide statistique peut parfois introduire un léger biais. Ce n'est pas un échec du système, mais plutôt un signal clair que la nature de l'aléa doit être ajustée ou que la bibliothèque de formes du modèle doit être élargie. Cette transparence permet aux ingénieurs de diagnostiquer les problèmes potentiels avant qu'ils ne deviennent critiques, une caractéristique souvent absente des autres modèles d'IA de type « boîte noire ».

Ce travail représente un changement dans notre façon de concevoir la résolution de problèmes physiques complexes impliquant l'incertitude. En traitant l'espace, le temps et l'aléa comme des ingrédients distincts mais connectés, les chercheurs ont créé un cadre qui est à la fois mathématiquement élégant et informatiquement efficace. Il ne repose pas sur de vastes quantités de données pré-collectées, et ne nécessite pas non plus la répétition par force brute de milliers de simulations. Au lieu de cela, il apprend la structure du problème directement à partir des lois de la physique et de la nature de l'aléa. Bien que la méthode ne soit pas une baguette magique capable de résoudre instantanément tous les problèmes, elle constitue un outil robuste et évolutif pour un large éventail de défis scientifiques et d'ingénierie. Les chercheurs ont rendu leur code public, invitant d'autres à bâtir sur cette fondation. Alors que le monde fait face à des défis de plus en plus complexes en matière d'énergie, de climat et de science des matériaux, la capacité de quantifier l'incertitude de manière efficace et précise deviendra de plus en plus critique, et cette nouvelle approche offre une voie prometteuse.