Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws

Titolo: Hebbian Physics Networks: Un'Architettura Computazionale Auto-Organizzante Basata su Leggi Fisiche Locali

Autori: Gunjan Auti, Hirofumi Daiguji, Gouhei Tanaka
Affiliazioni: Università di Tokyo, Istituto di Tecnologia di Nagoya, IRCCN (Tokyo).

---

1. Il Problema e il Contesto

La fisica computazionale classica si basa sulla separazione fondamentale tra stato (es. velocità, temperatura, concentrazione) e struttura (la geometria fissa della griglia o la matrice degli operatori).

• Approccio Tradizionale: Gli stati evolvono nel tempo secondo un operatore di evoluzione locale predeterminato e fisso ($\partial_t U = F(U, \nabla U, ...)$). La conservazione delle quantità fisiche (massa, momento, energia) è imposta globalmente applicando ripetutamente questo operatore rigido su una griglia predefinita.
• Limiti: Anche nei metodi adattivi (come il raffinamento della mesh), la topologia di trasporto sottostante rimane fissa. Le leggi costitutive sono spesso incorporate tramite funzioni parametriche o chiusure (es. viscosità turbolenta), ma la struttura di trasporto stessa non si adatta dinamicamente.
• Obiettivo: Superare l'assunzione di una struttura fissa, permettendo alla geometria di trasporto di evolvere insieme allo stato fisico, in linea con i principi della termodinamica fuori equilibrio (teoria di Onsager e Prigogine), dove i flussi e le forze si accoppiano dinamicamente per dissipare lo stress termodinamico.

2. Metodologia: La Rete Fisica Hebbiana (HPN)

Gli autori introducono l'Hebbian Physics Network (HPN), un sistema dinamico accoppiato su un grafo diretto che elimina la necessità di un operatore di evoluzione fisso.

A. Architettura del Sistema

• Nodi: Memorizzano variabili di stato intensive $U_i$ (es. densità di momento, concentrazione).
• Bordi (Edge): Rappresentano percorsi di trasporto diretti con pesi adattivi $W_{ij}$. Questi pesi definiscono la geometria locale del trasporto.
• Segnale: Il segnale $S_{ij}$ trasmesso dal nodo $j$ al nodo $i$ è basato sullo stato (es. $S_{ij} = U_j$).
• Flusso: Il flusso è definito come $J_{ij} = W_{ij} S_{ij}$.

B. Meccanismo di Adattamento (Regola Anti-Hebbiana)

Il cuore dell'HPN è il concetto che le violazioni locali della conservazione (residui) agiscono come forze termodinamiche che guidano l'evoluzione della rete.

1. Calcolo del Residuo ($R_i$): Per ogni nodo, si calcola l'accumulo locale di una quantità conservata (violazione della continuità):
   $$R_i = \sum_{j} (J_{ij} - J_{ji})$$
   Questo residuo rappresenta lo stress termodinamico locale.
2. Aggiornamento dello Stato: Lo stato $U_i$ evolve per rilassare questo accumulo:
   $$\Delta U_i = \eta_u \frac{R_i}{\Omega_i}$$
   dove $\Omega_i$ è la capacità locale e $\eta_u$ è un tasso di rilassamento cinetico (limitato da un criterio CFL).
3. Aggiornamento dei Pesi (Geometria Adattiva): I pesi $W_{ij}$ si adattano tramite una regola anti-Hebbiana modulata dal residuo:
   $$\Delta W_{ij} = -\eta_w f(R_i)S_{ij} + \epsilon g(|R_i|)S_{ij} - \lambda W_{ij}$$
   • Plastic Yield (Yield Plastico): Il termine $-\eta_w f(R_i)S_{ij}$ riduce la conduttanza dei percorsi che contribuiscono all'accumulo e rafforza quelli che alleviano lo stress.
   • Promozione ($\epsilon$): Mantiene una permeabilità di base per evitare il collasso strutturale.
   • Decadimento ($\lambda$): Impone un limite fisico alla crescita dei pesi.

C. Fondamenti Termodinamici

• Discesa del Gradiente Locale: Gli autori dimostrano che l'aggiornamento dei pesi corrisponde a una discesa del gradiente locale su un funzionale di energia residua ($L = \frac{1}{2} \sum \frac{R_i^2}{\Omega_i}$).
• Relazioni Reciproche di Onsager: Vicino all'equilibrio, la rete si auto-organizza in modo che l'operatore di trasporto approssimi una forma simmetrica e definita positiva, recuperando le relazioni reciproche di Onsager senza imposizione esplicita.
• Conservazione Globale: La conservazione globale è un invariante strutturale esatto del grafo ($\sum R_i = 0$), garantita dall'algebra della ridistribuzione interna, non da vincoli globali iterativi.

3. Risultati Principali

Gli autori hanno testato l'HPN su due casi canonici:

A. Diffusione Scalare

• Setup: Un grafo non strutturato con nodi che rappresentano concentrazioni.
• Risultato: Partendo da condizioni iniziali casuali o perturbate, la rete sviluppa dinamicamente una geometria di trasporto che riproduce la legge di diffusione.
• Osservazioni:
  • Il fronte di diffusione si propaga a velocità finita ($r \propto \sqrt{n}$).
  • L'errore di conservazione globale rimane a livello di precisione macchina ($O(10^{-11})$).
  • I pesi si stabilizzano in una distribuzione bistabile, "potando" i percorsi inefficienti e rafforzando quelli efficaci, emergendo una geometria di trasporto efficace senza risolvere esplicitamente l'equazione di Laplace.

B. Flusso Incomprimibile (Cavità con Coperchio Mobile - Lid-Driven Cavity)

• Setup: Flusso bidimensionale con vincoli di conservazione di massa e momento.
• Ibridazione: L'HPN utilizza l'operatore di Navier-Stokes solo per calcolare i residui (violazioni di forza e divergenza), ma non per integrare il tempo. La pressione agisce come moltiplicatore di Lagrange locale per correggere la divergenza.
• Risultato:
  • La rete si auto-organizza per formare la struttura di vortice ricircolante caratteristica della cavità.
  • Si osserva una biforcazione dinamica: inizialmente i residui aumentano (accumulo di stress) mentre la rete esplora nuove configurazioni, per poi decadere rapidamente una volta trovata la geometria di trasporto corretta.
  • La soluzione finale converge con i dati di riferimento classici (Ghia et al.) per $Re=100$.
  • La geometria appresa sviluppa anisotropie e pesi a coda lunga che riflettono lo shear e la convezione.

4. Contributi Chiave

1. Sostituzione della Griglia Rigida: Sostituzione dell'operatore di trasporto fisso con una geometria plastica che evolve dinamicamente.
2. Termodinamica Locale: Implementazione di un solver basato sul rilassamento locale dei residui, dove la conservazione è intrinseca e non imposta globalmente.
3. Emergenza delle Leggi Fisiche: Dimostrazione che le leggi costitutive (es. legge di Fick, equazioni di Navier-Stokes) emergono come descrizione a grana grossa di un processo di rilassamento termodinamico guidato da regole locali.
4. Recupero di Onsager: Prova teorica che l'adattamento locale porta naturalmente alla simmetria dell'operatore di trasporto vicino all'equilibrio.
5. Indipendenza dal Tempo Globale: Il calcolo non è un'integrazione temporale di equazioni differenziali, ma un percorso di rilassamento termodinamico dove lo stato e la geometria co-evolvono.

5. Significato e Prospettive

L'HPN rappresenta un cambio di paradigma rispetto ai metodi di Physics-Informed Machine Learning (PIML) tradizionali:

• Approccio Bottom-Up: Invece di imporre equazioni governative dall'alto (top-down) tramite funzioni di perdita globali, l'HPN adatta le connessioni locali in risposta agli squilibri osservati.
• Interpretazione Geometrica: I residui sono interpretati come indicatori di "curvatura" o incompatibilità geometrica nella struttura di trasporto appresa. L'evoluzione della rete è un processo di "appiattimento" di questa geometria locale.
• Applicabilità Fuori Equilibrio: Il framework è particolarmente promettente per sistemi fuori equilibrio dove le leggi di trasporto efficaci non sono note a priori, permettendo alla dinamica stessa di scoprire le vie di trasporto ottimali.

In sintesi, l'HPN ridefinisce la computazione fisica non come la soluzione di un'equazione fissa, ma come un processo di rilassamento termodinamico in cui la geometria costitutiva e lo stato fisico si evolvono congiuntamente per minimizzare lo stress locale, garantendo coerenza fisica attraverso leggi di conservazione locali.