Interface-Aware Sparse Data Placement for Extended Physics-Informed Neural Networks Applied to Computational Fluid Dynamics and Fluid–Structure Interaction

Résumé Technique : Placement de Données Éparses Sensible aux Interfaces pour les Réseaux de Neurones Informés par la Physique Étendus

Énoncé du Problème
La reconstruction de champs d'écoulement de fluides à partir de mesures éparses (ex. : PIV, imagerie in-vivo) est un défi persistant en mécanique des fluides appliquée. Bien que les réseaux de neurones informés par la physique (PINNs) et leur variante à décomposition de domaine, les Extended Physics-Informed Neural Networks (XPINNs), offrent un cadre sans maillage pour résoudre des équations aux dérivées partielles (EDP), ils font face à des limitations spécifiques lors d'applications à des scénarios de données éparses. Les PINNs standards souffrent de biais spectral et de problèmes de convergence dans les géométries complexes. Les XPINNs adressent la scalabilité en décomposant le domaine en sous-domaines résolus par des réseaux de neurones indépendants, couplés via des termes de pénalité souple aux interfaces. Cependant, les auteurs identifient un mode de défaillance critique : l'erreur de reconstruction dans les XPINNs se concentre de manière disproportionnée aux interfaces des sous-domaines plutôt qu'au niveau des caractéristiques de l'écoulement comme les couches limites ou les sillages. Cela se produit car le couplage par pénalité souple permet à l'optimiseur de satisfaire les résidus d'EDP au sein des sous-domaines tout en violant la continuité aux frontières. Par conséquent, le profil d'erreur reflète la géométrie de la décomposition plutôt que la physique, créant un « maillon faible » où la solution est la moins contrainte.

Méthodologie : Le Cadre SPHINX
Pour remédier à cela, les auteurs proposent SPHINX (Sparse Physics-Hybrid Informed Neural eXtension), une stratégie de placement de données qui alloue une fraction du budget de mesures éparses aux régions de chevauchement des sous-domaines.

• Décomposition de Domaine : L'étude utilise une décomposition de type Schwarz avec chevauchement (contrairement à l'original XPINN non chevauchant), créant des régions où deux réseaux de neurones sont simultanément actifs.
• Mécanisme de Double Ancrage : L'hypothèse centrale est qu'une mesure placée dans une région de chevauchement $\Gamma_{ij}$ fournit un « double ancrage ». Parce que les deux sous-réseaux $N_i$ et $N_j$ prédisent des valeurs au même point, une seule mesure contraint simultanément les deux réseaux à correspondre à la valeur de référence et les force à être en accord entre eux. Cela fournit une cohérence inter-sous-domaine par le biais de données externes plutôt qu'en s'appuyant uniquement sur la perte de pénalité souple.
• Stratégie d'Allocation : Étant donné un budget total de $N$ points éparses, SPHINX alloue une fraction $f$ aux régions de chevauchement des interfaces et le reste $(1-f)$ uniformément dans l'ensemble du domaine.
• Étude de Sensibilité : Un balayage systématique de $f$ de 0,0 à 0,5 à travers quatre benchmarks a identifié $f=0,1$ (10 % des données aux interfaces) comme le point de fonctionnement optimal pour la reconstruction de la vitesse $u$.
• Implémentation : La méthode ne nécessite aucun changement de l'architecture du réseau, des poids de la fonction de perte ou des algorithmes d'entraînement. Il s'agit purement d'une stratégie de placement de données compatible avec les cadres de travail PINN existants.

Cas de Test et Configuration Expérimentale
Le cadre a été validé sur quatre problèmes de référence couvrant des nombres de Reynolds ($Re$) de 20 à 10 000 et des géométries variables :

1. Écoulement stationnaire autour d'un cylindre circulaire ($Re=40$).
2. Écoulement stationnaire sur un profil NACA 0012 ($Re=1\,000$, $\alpha=5^\circ$).
3. Écoulement stationnaire sur un profil NACA 0012 ($Re=10\,000$, $\alpha=5^\circ$).
4. Benchmark Turek–Hron FSI1 ($Re=20$), impliquant un cylindre avec une poutre élastique attachée dans un canal (traité comme un problème purement fluide avec mouvement structurel prescrit).

Les expériences ont utilisé 200 points de données éparses (0,4 % du maillage de référence) et ont été répétées avec trois graines aléatoires indépendantes pour évaluer la variance statistique.

Résultats Clés

• Réduction de l'Erreur : SPHINX a réduit l'erreur relative $L_2$ de la vitesse $u$ de 86 % à 95 % sur l'ensemble des quatre benchmarks par rapport aux XPINNs de base sans données éparses. Par exemple, sur le NACA 0012 à $Re=1\,000$, l'erreur est passée de 24,40 % à 1,132 %.
• Effondrement de la Variance : L'introduction de données éparses sensibles aux interfaces a provoqué un effondrement de la variance d'un à deux ordres de grandeur entre les exécutions. Les écarts types sont passés de plages de 0,22 %–74,41 % (base) à moins de 0,04 % (SPHINX), indiquant que les données éparses régularisent le processus d'optimisation et éliminent la sensibilité à l'initialisation aléatoire.
• Sensibilité Variable : Bien que $f=0,1$ soit optimal pour la vitesse $u$, l'allocation optimale pour la vitesse $v$ et la pression variait (souvent plus élevée, ex. : $f=0,5$ pour la vitesse $v$ dans les cas NACA), reflétant les différentes contraintes physiques régissant ces champs.
• Comparaison avec RBF : Comparé à l'interpolation par fonctions de base radiale (RBF) utilisant les mêmes points de données, SPHINX a surpassé le RBF par des facteurs de 2,5 à 8,2 en erreur de vitesse $u$. Cela confirme que les gains proviennent du placement géométrique couplé au mécanisme de double ancrage, et non simplement de la présence de données supplémentaires.
• Coefficients Aérodynamiques : Malgré sa nature de méthode de reconstruction de champ, SPHINX a récupéré les coefficients de traînée et de portance avec une précision raisonnable (ex. : coefficient de traînée avec une différence absolue d'environ 0,11), bien que les erreurs soient plus prononcées pour la portance sur les cas à haut $Re$ en raison des limitations du biais spectral pour résoudre les gradients de pression fins.
• Coût Computationnel : La stratégie n'a introduit qu'un surcoût de 8 % par rapport à l'entraînement XPINN de base, car elle ajoute seulement l'évaluation du terme de perte de données à $N$ points par itération.

Signification et Revendications
L'article affirme établir le placement de capteurs sensible aux interfaces comme un principe scientifiquement fondé et agnostique de l'architecture pour la reconstruction de flux à données éparses. La contribution primaire est l'identification du fait que les erreurs de reconstruction des XPINN sont structurellement liées à la géométrie de la décomposition (interfaces) plutôt qu'à la physique de l'écoulement. En concentrant les mesures là où le couplage par contrainte souple est le plus faible, SPHINX exploite l'effet de « double ancrage » pour imposer la cohérence entre les sous-réseaux.

Les auteurs soulignent que cette approche transforme l'assimilation de données éparses d'un problème d'échantillonnage uniforme en un problème structurellement guidé. Les résultats suggèrent que pour les PINNs à décomposition de domaine, la géométrie de la décomposition elle-même prescrit où les mesures sont les plus informatives. La stratégie est présentée comme un raffinement à faible coût et à fort impact qui améliore significativement la précision et la stabilité sans nécessiter de changements architecturaux complexes ou de repondération des fonctions de perte.

Limitations
Les auteurs notent plusieurs limitations :

• Le ratio d'allocation optimal ($f=0,1$) est observé empiriquement, non dérivé analytiquement.
• L'étude est limitée aux régimes laminaires et de transition vers le laminaire ; les écoulements massivement séparés ou turbulents n'ont pas été abordés.
• Le benchmark FSI traitait le mouvement structurel comme prescrit ; l'interaction fluide-structure (FSI) non stationnaire pleinement couplée avec des frontières mobiles reste un travail futur.
• Les données éparses ont été tirées de solutions CFD de référence, et non de mesures expérimentales présentant du bruit ou des contraintes géométriques.