💻 computer science

Operator Learning for Robust Discovery of Fractional-Order Dynamical Systems from Noisy Data

Cet article propose un cadre robuste pour la découverte d'équations directrices de systèmes dynamiques d'ordre fractionnaire à partir de données bruitées en intégrant un Réseau d'Opérateur Profond (DeepONet) pour une estimation précise de la dérivée fractionnaire avec une identification parcimonieuse de la dynamique non linéaire (SINDy) d'ensemble pour la régression parcimonieuse, démontrant une précision et une généralisation supérieures par rapport aux méthodes classiques de différences finies et aux réseaux de neurones standards.

Auteurs originaux : Yones Yousefpur Azar, Hossein Kheiri, Hamidreza Marasi

Publié 2026-09-15

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yones Yousefpur Azar, Hossein Kheiri, Hamidreza Marasi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La science cherche souvent à écrire le livre de règles de la façon dont le monde se déplace, du flux du sang dans une veine à la vibration d'un pont. Pour de nombreux systèmes, ces règles sont écrites sous forme d'équations qui décrivent comment les choses changent au fil du temps. Cependant, certains systèmes possèdent une mémoire ; leur état actuel ne dépend pas seulement de ce qui se passe en ce moment, mais de tout ce qui s'est passé auparavant. Pour décrire ce genre de comportement, les scientifiques utilisent un type spécial de mathématiques appelé calcul fractionnaire. Contra�irement aux équations standards qui examinent les changements immédiats, ces équations fractionnaires regardent l'histoire entière d'un système. Cela les rend incroyablement puissantes pour modéliser des phénomènes du monde réel comme la façon dont les matériaux s'étirent et se détendent, ou comment les maladies se propagent au sein d'une population. Mais cette puissance a un coût : parce que ces équations dépendent de tout le passé, elles sont notoirement difficiles à résoudre lorsque les données sont désordonnées. Dans le monde réel, les mesures ne sont jamais parfaites ; elles sont toujours entachées de petites erreurs et de bruit. Lorsque les scientifiques tentent d'utiliser des outils mathématiques standards pour découvrir les règles de ces systèmes dotés de mémoire à partir de données bruitées, les petites erreurs sont amplifiées, menant souvent à des conclusions totalement erronées.

Une équipe de chercheurs de l'Université de Tabriz a développé une nouvelle façon de résoudre ce problème, permettant de découvrir les règles cachées de ces systèmes complexes même lorsque les données sont imparfaites. Leur approche, décrite dans une étude récente, combine deux idées distinctes : un type d'intelligence artificielle conçu pour comprendre les modèles dans les données, et une méthode statistique qui trouve les équations les plus simples possibles qui correspondent à ces données. Les chercheurs ont réalisé que le principal goulot d'étranglement n'était pas de trouver l'équation elle-même, mais de calculer avec précision la partie « mémoire » de l'équation à partir de nombres bruités. Pour corriger cela, ils ont entraîné un réseau de neurones pour agir comme un traducteur spécialisé. Ce réseau a appris, à travers des millions d'exemples simulés, comment regarder un historique désordonné et bruité d'un système et produire instantanément une estimation propre et précise de son taux de variation fractionnaire. Une fois ce traducteur entraîné, il pouvait être utilisé sur des mesures réelles et bruitées pour fournir les données propres nécessaires à la seconde étape : l'identification de l'équation directrice.

Les chercheurs ont testé ce processus en deux étapes sur plusieurs systèmes différents, incluant des modèles linéaires simples et des modèles non linéaires plus complexes qui se comportent de manière chaotique. Ils ont comparé leur nouvelle méthode aux outils mathématiques traditionnels utilisés depuis des décennies ainsi qu'à un type standard de réseau de neurones. Les résultats étaient frappants. Dans les tests avec des systèmes linéaires, la méthode traditionnelle a presque entièrement échoué, produisant des erreurs si importantes que les équations résultantes étaient inutilisables. Le réseau de neurones standard a mieux performé, mais a tout de même éprouvé des difficultés lorsque les données changeaient légèrement par rapport à ce qu'il avait vu auparavant. La nouvelle méthode, cependant, est restée robuste. Elle a identifié avec succès les bonnes équations avec une grande précision, même lorsque les données d'entrée contenaient un bruit significatif. Les chercheurs ont constaté que pour les systèmes plus simples, l'exactitude de l'estimation de la dérivée était la clé ; une fois qu'ils avaient nettoyé les données à l'aide de leur nouveau traducteur, l'étape de recherche de l'équation fonctionnait parfaitement.

Cependant, l'histoire est devenue plus nuancée lorsqu'ils sont passés aux systèmes non linéaires plus complexes. Ici, même lorsque les chercheurs fournissaient les données de dérivée parfaites et sans bruit, l'étape de recherche de l'équation peinait encore à trouver la bonne réponse. Cela a révélé une intuition critique : pour ces systèmes plus compliqués, le problème change. Il ne s'agit plus seulement de nettoyer les données ; la difficulté réside dans le défi mathématique de choisir la bonne équation parmi une vaste bibliothèque de possibilités lorsque les données sont bruitées. Les chercheurs suggèrent que, bien que leur nouvelle méthode résolve efficacement le problème du nettoyage des données, les percées futures viendront probablement de l'amélioration des outils de recherche d'équations eux-mêmes, plutôt que de la simple création de meilleurs nettoyeurs de données.

L'étude a également exploré l'efficacité de cette méthode face à des situations qu'elle n'a jamais rencontrées, telles qu'un système partant d'un état complètement différent ou fonctionnant pendant une période plus longue que les données d'entraînement. Dans ces tests, la nouvelle méthode a tenu le coup de manière nettement supérieure au réseau de neurones standard, qui avait tendance à échouer lorsque les conditions changeaient. Cela suggère que la nouvelle approche apprend la structure sous-jacente du comportement du système plutôt que de simplement mémoriser des points de données spécifiques. Les chercheurs notent que cette méthode est particulièrement utile en ingénierie et en biologie, où les scientifiques connaissent souvent la famille générale d'équations qui décrivent un type de système, mais doivent trouver les règles spécifiques pour une nouvelle expérience individuelle. En entraînant le traducteur une seule fois sur des données simulées, il peut être réutilisé pour de nombreuses expériences réelles différentes sans avoir besoin d'être réentraîné, ce qui permet de gagner du temps et de la puissance de calcul.

En fin de compte, ce travail démontre que le plus grand obstacle à la compréhension des systèmes dotés de mémoire n'est pas la complexité des équations elles-mêmes, mais la fiabilité des données utilisées pour les découvrir. En utilisant une intelligence artificielle spécialisée pour nettoyer les données avant que les mathématiques ne commencent, les chercheurs ont montré une voie claire vers une découverte plus précise. Bien que la méthode soit encore confrontée à des défis avec les systèmes les plus complexes et chaotiques, elle représente une avancée significative. Elle suggère qu'en séparant la tâche du nettoyage des données de celle de la recherche des règles, les scientifiques peuvent construire des modèles plus fiables du monde, transformant des observations bruitées et imparfaites en lois claires et compréhensibles de la nature.

Résumé Technique : Apprentissage d'Opérateurs pour la Découverte Robuste de Systèmes Dynamiques d'Ordre Fractionnaire à partir de Données Bruyantes

Énoncé du Problème
L'identification des équations directrices de systèmes dynamiques d'ordre fractionnaire à partir de données expérimentales bruitées fait face à un goulot d'étranglement critique : l'estimation des dérivées fractionnaires. Contrairement aux dérivées d'ordre entier, les dérivées fractionnaires (spécifiquement la dérivée de Caputo) sont des opérateurs non locaux qui dépendent de tout l'historique de la solution. Cette propriété rend la différenciation numérique extrêmement sensible au bruit de mesure ; même de petites perturbations dans les trajectoires observées sont amplifiées lors de l'accumulation des données historiques, conduisant à des estimations de dérivées inexactes. Puisque les méthodes d'identification de systèmes parcimonieux, telles que SINDy (Sparse Identification of Nonlinear Dynamics), reposent fortement sur la qualité de ces entrées de dérivées, les erreurs induites par le bruit dans l'estimation des dérivées se propagent directement dans le processus de découverte, entraînant souvent des structures de modèles incorrectes ou des coefficients peu fiables. Bien que des tentatives récentes aient adapté SINDy aux systèmes fractionnaires, elles reposent largement sur des approximations numériques classiques (par exemple, les Différences Finies Fractionnaires, FFD) qui restent instables dans des environnements bruités.

Méthodologie
Les auteurs proposent un cadre hybride en deux étapes qui découple l'estimation de la dérivée fractionnaire de la découverte de l'équation directrice. Cette approche sépare l'apprentissage de l'opérateur de différenciation de la tâche de régression parcimonieuse afin d'améliorer la robustesse et la réutilisabilité.

Apprentissage d'Opérateur Hors-ligne (DeepONet) :
- Un réseau de Deep Operator Network (DeepONet) est entraîné hors-ligne sur des trajectoires synthétiques générées à partir d'une famille connue de systèmes d'ordre fractionnaire.
- Le réseau apprend la correspondance $G: (x(t), t) \mapsto D^\alpha x(t)$ , où l'entrée est la trajectoire d'état bruitée et la coordonnée temporelle, et la cible de supervision est la dérivée exacte calculée à partir des équations directrices.
- L'architecture consiste en un réseau de branche (traitant l'historique de l'état) et un réseau de tronc (encodant le temps), combinés via un produit scalaire.
- Une fois entraîné, ce réseau agit comme un substitut (surrogate) réutilisable et piloté par les données pour la dérivée de Caputo. Il traite les mesures bruitées pour produire des estimations de dérivées débruitées. Contrairement à la complexité de $O(N_t^2)$ de la FFD, l'inférence du DeepONet passe à une échelle linéaire $O(N_t)$ .
Identification Parcimonieuse en Ligne (Ensemble SINDy) :
- Les estimations de dérivées débruitées générées par le DeepONet sont injectées dans un algorithme Ensemble SINDy.
- Une bibliothèque de fonctions non linéaires candidates (polynômes) est construite à partir des états mesurés.
- Les équations directrices sont identifiées en résolvant un problème de régression parcimonieuse ( $\hat{D}^\alpha X = \Theta(X)\Xi$ ) à l'aide de moindres carrés seuillés séquentiels (STLS) à travers de multiples échantillons de bootstrap. Les coefficients finaux sont agrégés en fonction de leur fréquence de sélection pour garantir la stabilité.

Contributions Clés

Cadre Hybride : L'article introduit un nouveau pipeline combinant des DeepONets pré-entraînés avec Ensemble SINDy pour découvrir de manière robuste des équations d'ordre fractionnaire à partir de données bruitées.
Stratégie Découplée : En séparant l'estimation de la dérivée de la découverte de l'équation, la méthode permet à la composante d'apprentissage d'opérateur d'être optimisée spécifiquement pour la robustesse au bruit, tout en préservant l'interprétabilité du modèle parcimonieux final.
Évaluation Comparative Complète : L'étude fournit une comparaison rigoureuse par rapport aux Différences Finies Fractionnaires (FFD) classiques et à une ligne de base par Perceptron Multicouche (MLP) conventionnel à travers des systèmes linéaires et non linéaires, différents niveaux de bruit et différents ordres fractionnaires.
Analyse de Généralisation : Le travail évalue la généralisation hors distribution (OOD), incluant des conditions initiales inédites et l'extrapolation temporelle, démontrant la supériorité de l'architecture d'apprentissage d'opérateur sur les approximateurs de fonctions standards dans ces scénarios.

Résultats

Systèmes Linéaires : Sur un système fractionnaire linéaire 2D avec un bruit gaussien de 5 %, le cadre DeepONet-SINDy proposé a obtenu une erreur de coefficient relative de $0,0047 \pm 0,0039$ . Cela a nettement surpassé le MLP ($0,0411$) et la méthode FFD classique, qui a totalement échoué (erreur $\approx 9,84$ ) en raison de l'amplification du bruit.
Robustesse au Bruit : L'approche DeepONet a maintenu une haute précision pour des niveaux de bruit allant jusqu'à 5 %. Lorsque le bruit augmentait au-delà de ce seuil, toutes les méthodes se dégradaient, mais le DeepONet fournissait systématiquement les estimations de dérivées les plus fiables.
Systèmes Non Linéaires : Pour les tests de référence non linéaires (système polynomial et Brusselator fractionnaire), le DeepONet a réduit les erreurs d'identification de plus de deux ordres de grandeur par rapport à la FFD. Notamment, même avec des entrées de dérivées exactes (Oracle), les systèmes non linéaires présentaient des erreurs élevées sous l'effet du bruit, indiquant que pour les dynamiques non linéaires complexes, la limitation passe de l'approximation de la dérivée à l'ill-conditionnement de la bibliothèque de régression parcimonieuse elle-même.
Généralisation OOD et Temporelle : Dans les tests impliquant des conditions initiales hors de la distribution d'entraînement et l'extrapolation temporelle (test sur $[0, 10]$ alors qu'entraîné sur $[0, 5]$ ), le DeepONet a démontré des taux d'erreur nettement inférieurs à ceux du MLP, suggérant des capacités de généralisation supérieures pour l'apprentissage d'opérateur dans ce contexte.
Efficacité de Calcul : Bien que l'entraînement nécessite un investissement unique, le coût d'inférence du DeepONet ($0,41$ ms par trajectoire) est inférieur à celui de la FFD ($1,45$ ms) et évolue de manière linéaire, ce qui le rend efficace pour des tâches d'identification répétées au sein du même type de système.

Signification et Revendications
L'article soutient que l'obstacle principal à l'identification des systèmes fractionnaires n'est pas la formulation de la régression parcimonieuse, mais la disponibilité d'estimations de dérivées fractionnaires fiables à partir d'observations bruitées. En apprenant un substitut piloté par les données pour le processus de différenciation, le cadre proposé atténue efficacement la sensibilité au bruit inhérente aux opérateurs non locaux.

Les auteurs soulignent que leurs résultats fournissent une preuve empirique que l'apprentissage d'opérateur offre une plus grande robustesse aux changements de distribution par rapport aux réseaux neuronaux conventionnels (MLP) pour cette tâche spécifique. Cependant, ils notent modestement que cela ne constitue pas une preuve de récupération unique de l'opérateur. De plus, l'étude révèle un aperçu critique pour les systèmes non linéaires : une fois que l'estimation de la dérivée est suffisamment précise, la source dominante d'erreur devient l'étape de régression parcimonieuse en raison des bibliothèques mal conditionnées. Par conséquent, les auteurs suggèrent que les progrès futurs pour les systèmes fractionnaires non linéaires pourraient dépendre davantage de techniques de régression parcimonieuse robustes (par exemple, des formulations de forme faible) que d'améliorations supplémentaires de la différenciation numérique.

Le travail est positionné comme une solution pratique pour les scénarios où la structure mathématique générale d'une famille de systèmes est connue, permettant l'entraînement hors-ligne de l'opérateur pour qu'il soit réutilisé pour de multiples instances expérimentales sans réentraînement. Les auteurs reconnaissent des limites, notamment l'hypothèse que l'ordre fractionnaire $\alpha$ est connu a priori et que la validation est restreinte à des données synthétiques contrôlées, identifiant la validation expérimentale et l'estimation continue de l'ordre comme des étapes futures nécessaires.

Articles similaires