ASP-Assisted Symbolic Regression: Uncovering Hidden Physics in Fluid Mechanics

Riepilogo Tecnico: Regressione Simbolica Assistita da ASP in Meccanica dei Fluidi

Enunciazione del Problema
La modellazione in meccanica dei fluidi si trova di fronte a una dicotomia tra la Dinamica dei Fluidi Computazionale (CFD) tradizionale, che è fisicamente trasparente ma computazionalmente costosa, e gli approcci moderni di Apprendimento Automatico (ML), che offrono efficienza ma spesso mancano di interpretabilità (comportamento "scatola nera"). Sebbene la Regressione Simbolica (SR) sia emersa come un'alternativa promettente, capace di scoprire espressioni matematiche interpretabili dai dati, i modelli SR puramente guidati dai dati rischiano di generare equazioni statisticamente accurate ma fisicamente implausibili. Possono violare vincoli specifici del dominio o leggi fisiche fondamentali poiché operano senza una conoscenza esplicita della fisica sottostante. Questo studio affronta la sfida della modellazione del flusso laminare tridimensionale (3D) in un canale rettangolare, focalizzandosi specificamente sulla derivazione di formule compatte e interpretabili per i campi di velocità assiale e pressione, che siano sia accurate che fisicamente coerenti.

Metodologia
La ricerca impiega una metodologia a due facce: un approccio standard di Regressione Simbolica seguito da un innovativo framework ibrido che integra la Programmazione a Insiemi di Risposta (ASP).

1. Generazione dei Dati e Configurazione:

   • Il problema fisico coinvolge un flusso laminare 3D in una condotta rettangolare simmetrica ($L=5, H=W=1$).
   • Le equazioni governative sono le equazioni di Navier-Stokes adimensionalizzate e la conservazione della massa.
   • Le soluzioni numeriche sono generate utilizzando il Metodo dei Volumi Finiti (FVM) implementato in MATLAB con una griglia $50 \times 25 \times 25$.
   • Il flusso è guidato da un gradiente di pressione costante nella direzione del flusso ($c$), che funge da parametro di controllo primario. Un numero di Reynolds efficace ($Re$) è calcolato a posteriori dalla soluzione numerica per servire come parametro di controllo scalare per i modelli SR.
   • I dataset includono set di addestramento ($Re \in \{34, 105, 174, 209, 279\}$) e di test ($Re \in \{70, 139, 244\}$).

2. Fase di Regressione Simbolica (SR):

   • La libreria PySR (v0.19.4) è utilizzata per scoprire espressioni simboliche per la velocità assiale ($u$) e la pressione ($p$) come funzioni delle coordinate spaziali ($X, Y, Z$) e di $Re$.
   • Primitivi: Lo spazio di ricerca è limitato a operatori motivati dal dominio: aritmetica di base ($+, -, *, /$) e polinomi di basso ordine (quadrato, cubo).
   • Vincoli: Per garantire l'interpretabilità, la complessità dell'espressione è limitata a 25 operazioni. Vincoli nidificati prevengono funzioni ridondanti di ordine elevato.
   • Ottimizzazione: I modelli sono evoluti per 1000 iterazioni per minimizzare l'Errore Quadratico Medio (MSE), generando un fronte di Pareto di soluzioni che bilanciano accuratezza e semplicità.

3. Fase Ibrida SR/ASP:

   • Per affrontare la limitazione dei modelli puramente guidati dai dati, gli autori integrano la SR con la Programmazione a Insiemi di Risposta (ASP), un paradigma di programmazione dichiarativa per la soddisfazione dei vincoli.
   • Flusso di lavoro: La SR genera equazioni candidate. Queste vengono analizzate in fatti (ad esempio, complessità, perdita, presenza di termini specifici come $Re$o$Y^2$).
   • Filtraggio: Un programma ASP codifica vincoli fisici specifici del dominio (ad esempio, esclusione di termini non fisici come $X^3$ o $Y^3$, requisito dell'inclusione di $Re$, adesione alle condizioni al contorno di scorrimento nullo e requisiti di simmetria).
   • Risoluzione: Un risolutore ASP (CLASP) elabora questi fatti e vincoli per filtrare l'output della SR, trattenendo solo le equazioni che sono sia statisticamente accurate che fisicamente valide.

Contributi Chiave

• Derivazione di Leggi Fisiche Compatte: Lo studio deriva con successo equazioni simboliche esplicite e in forma chiusa per la velocità e la pressione del flusso laminare 3D, che corrispondono strettamente alle soluzioni numeriche e alle tendenze analitiche consolidate.
• Integrazione Innovativa SR/ASP: Il documento presenta, a conoscenza degli autori, il primo tentativo di combinare la Regressione Simbolica con la Programmazione a Insiemi di Risposta. Questo framework ibrido sfrutta il potere generativo della SR e il ragionamento dichiarativo dell'ASP per garantire che i modelli derivati aderiscano ai principi fisici.
• Validazione della Robustezza: L'approccio è validato attraverso l'iniezione di rumore (2% di rumore aggiunto ai dati) e l'espansione dell'insieme degli operatori (inclusi funzioni trigonometriche/esponenziali), dimostrando che le relazioni polinomiali scoperte sono riflessi genuini della fisica del flusso e non artefatti dello spazio di ricerca.

Risultati

• Modello di Velocità: Il modello SR ha derivato l'equazione $u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$. Questa espressione cattura il profilo di velocità parabolico atteso. Ha raggiunto un Errore Assoluto Medio Normalizzato (NMAE) dello 0,008% sul set di addestramento e dello 0,010% sul set di test.
• Modello di Pressione: L'equazione di pressione derivata è $p_{symb} = Re(143.43 - 28.69 X)$, che riflette un calo di pressione lineare. Questo modello ha raggiunto un NMAE nell'intervallo di $10^{-8}\%$, indicando un allineamento quasi perfetto con i dati numerici.
• Confronto con la Letteratura: L'equazione di velocità derivata approssima da vicino la soluzione analitica per condotti rettangolari trovata in letteratura (ad esempio, $u \propto (1-4y^2)(1-4z^2)$), con piccole discrepanze attribuite a dati numerici a risoluzione finita.
• Filtraggio ASP: In un esempio rappresentativo, il modulo ASP ha filtrato con successo un fronte di Pareto di 14 equazioni. Ha selezionato i candidati più accurati e fisicamente validi (inclusa l'equazione di velocità finale) in circa 0,1 secondi, un tempo trascurabile rispetto ai 15 minuti richiesti per la fase di addestramento SR. Il filtraggio ha escluso con successo equazioni che violavano la simmetria o le condizioni al contorno.

Significato e Affermazioni
Il documento afferma che la metodologia SR/ASP proposta dimostra il potenziale della combinazione di approcci guidati dai dati e di rappresentazione della conoscenza per migliorare l'interpretabilità, l'affidabilità e l'allineamento fisico dei modelli di IA nella dinamica dei fluidi.

• Interpretabilità: A differenza dei modelli ML "scatola nera", le equazioni risultanti sono leggibili dall'uomo e rivelano la fisica sottostante (velocità parabolica, calo di pressione lineare).
• Affidabilità: Integrando l'ASP, il framework garantisce che i modelli non si limitino a adattarsi ai dati, ma rispettino anche vincoli specifici del dominio, prevenendo la selezione di equazioni fisicamente impossibili.
• Efficienza: Le espressioni simboliche derivate fungono da surrogati efficienti per i metodi numerici computazionalmente intensivi, offrendo previsioni rapide e accurate.

Gli autori mantengono un tono modesto riguardo alle implicazioni future, notando che, sebbene lo studio attuale si concentri su una specifica geometria di canale 3D, il framework è generalizzabile. Suggeriscono che lavori futuri potrebbero coinvolgere l'integrazione dei polinomi di Chebyshev negli operatori SR e l'uso di Modelli Linguistici di grandi dimensioni (LLM) per derivare automaticamente vincoli ASP da descrizioni in linguaggio naturale della conoscenza del dominio.