Learning parameter-dependent shear viscosity from data, with application to sea and land ice

Il lavoro propone un framework basato su reti neurali per inferire modelli reologici di fluidi non-newtoniani da dati sperimentali o simulazioni, garantendo il rispetto delle leggi fisiche e dimostrandone l'efficacia nell'apprendimento della viscosità del ghiaccio terrestre e marino.

L'essenziale

Il Mistero del "Fluido Magico": Come insegnare alle macchine la natura del ghiaccio

Immaginate di trovarvi davanti a una sostanza misteriosa. Non è un solido come un sasso, ma non è nemmeno un liquido come l'acqua. Se la premete, si muove in modo strano: a volte è densa come il miele, altre volte sembra scivolare via come l'olio. Questa è la reologia, ovvero lo studio di come le "sostanze strane" (i fluidi non-Newtoniani) si deformano quando vengono spinte.

Il problema è che per i ghiacciai della Terra o per il ghiaccio marino, non abbiamo una "ricetta" perfetta. Sappiamo che si muovono, ma non sappiamo esattamente come reagiscono alla temperatura o alla pressione.

L'analogia del "Cuoco Cieco"

Immaginate un cuoco (il nostro modello matematico) che deve preparare una salsa perfetta, ma è bendato. Non può vedere la consistenza della salsa. Può solo fare due cose:

1. Assaggiare la salsa (Dati di Stress): Tocca la salsa e sente quanto è dura o morbida.
2. Guardare come la salsa scivola sul piatto (Dati di Velocità): Vede quanto velocemente la salsa si sposta quando inclina il piatto.

Il paper di De Diego e Stadler propone un modo intelligente per far sì che questo "cuoco bendato" impari la ricetta perfetta usando l'Intelligenza Artificiale.

Cosa hanno fatto gli scienziati? (Il "Cervello Artificiale")

Invece di dare al computer una formula matematica rigida (come dire: "la salsa è sempre densa così"), gli scienziati hanno dato al computer una Rete Neurale.

Pensate alla Rete Neurale come a un apprendista molto intelligente ma senza pregiudizi. Non gli diciamo "il ghiaccio segue la legge X"; gli diciamo solo: "Guarda questi dati e trova tu la regola che spiega perché il ghiaccio si muove così".

Per evitare che l'apprendista faccia errori assurdi (come dire che il ghiaccio diventa liquido se lo scaldi, il che è impossibile), gli scienziati hanno inserito delle "Regole d'Oro della Natura" nel software:

• La regola della coerenza: Se giri il ghiaccio, le sue proprietà non devono cambiare magicamente.
• La regola dell'energia: Il movimento deve consumare energia, non crearla dal nulla (come una macchina che non può andare più veloce solo premendo l'acceleratore senza bruciare benzina).

I due test del nove

Gli autori hanno messo alla prova il loro "apprendista digitale" in due scenari:

1. Il Ghiaccio delle Montagne (Land Ice): Hanno dato al computer dati su come il ghiaccio scivola sui pendii. Il computer è riuscito a "riscoprire" da solo la famosa Legge di Glen (una formula che gli scienziati usano da decenni) partendo da zero! È come se un bambino, guardando solo come cade la pappa, riuscisse a indovinare la formula della gravità di Newton.
2. Il Ghiaccio Marino (Sea Ice): Qui la cosa si è fatta complicata. Il ghiaccio marino è fatto di pezzi (floe) che sbattono tra loro. È un caos! Hanno usato una simulazione super complessa (chiamata DEM) che simula ogni singolo pezzetto di ghiaccio. Il computer, nonostante il caos dei dati, è riuscito a capire una regola incredibile: il ghiaccio marino cambia comportamento a seconda di quanto è affollato (concentrazione). Se c'è poco ghiaccio, si comporta in un modo; se è tutto compatto, ne segue un altro.

Perché è importante?

Perché prevedere il cambiamento climatico significa prevedere quanto velocemente si scioglieranno i ghiacciai e quanto si alzerà il livello del mare.

Se i nostri modelli matematici sono "vecchi" o approssimativi, le nostre previsioni saranno sbagliate. Questo nuovo metodo permette di creare modelli che "imparano" direttamente dalla realtà (o da simulazioni ultra-precise), rendendo le nostre mappe del futuro molto più affidabili.

In breve: Gli scienziati hanno costruito un traduttore che trasforma il movimento del ghiaccio in leggi matematiche, usando l'intelligenza artificiale per colmare i buchi della nostra conoscenza.

Sommario tecnico

Riassunto Tecnico: Apprendimento della viscosità di taglio dipendente dai parametri tramite dati: applicazioni ai ghiacci marini e terrestri

1. Il Problema

La modellazione dei sistemi fisici complessi che esibiscono comportamenti simili a quelli dei fluidi (come i ghiacciai o il ghiaccio marino) richiede spesso l'uso di modelli non-Newtoniani. Il cuore di questi modelli è la reologia, ovvero la relazione matematica tra gli sforzi interni (stress) e i tassi di deformazione (strain-rates).

Tradizionalmente, i modelli reologici vengono derivati in due modi:

1. Fenomenologici: funzioni analitiche semplici che si adattano ai dati.
2. Primo principio: derivazione teorica (es. teoria cinetica).

Entrambi gli approcci sono limitati dalla complessità intrinseca dei materiali. Il problema affrontato in questo studio è come inferire modelli reologici accurati e fisicamente consistenti partendo da dati osservativi (sforzi o velocità) senza imporre una forma funzionale predefinita.

2. Metodologia

Gli autori propongono un framework di Scientific Machine Learning (SciML) che utilizza le reti neurali (NN) per rappresentare la viscosità efficace, garantendo al contempo il rispetto delle leggi fisiche.

A. Vincoli Fisici e Matematici

Per evitare che la rete neurale apprenda funzioni fisicamente impossibili, il framework impone tre principi fondamentali:

• Isotropia (Frame-indifference): La reologia non deve dipendere dall'orientamento del sistema di coordinate. Questo viene garantito scrivendo la legge reologica in termini di invarianti tensoriali.
• Esistenza di un potenziale di dissipazione convesso: Si assume che la reologia derivi da un potenziale $j$ convesso, garantendo la ben posta-definizione delle equazioni differenziali (PDE) e la stabilità numerica.
• Secondo principio della termodinamica: Si impone che il componente dello stress sia puramente dissipativo ($\text{C}(\mathbf{D}_u) : \mathbf{D}_u \geq 0$), assicurando che l'entropia aumenti sempre.

B. Rappresentazione tramite Reti Neurali

La viscosità efficace $\psi$ viene parametrizzata tramite una rete neurale $\psi_\theta(|\mathbf{S}_u|, \lambda)$, dove $\lambda$ è un parametro esterno (es. temperatura o concentrazione di ghiaccio). La struttura della rete è progettata per gestire diversi ordini di grandezza (usando trasformazioni logaritmiche) e per garantire la non-negatività.

C. Strategie di Apprendimento (Loss Functions)

Il framework propone due approcci per l'inferenza:

1. Regressione standard (Stress-based): Minimizza la differenza tra lo stress predetto dal modello e i dati di stress osservati ($J_s$).
2. Ottimizzazione vincolata alle PDE (Velocity-based): Minimizza la differenza tra i campi di velocità predetti risolvendo le PDE e i dati di velocità osservati ($J_v$). Questo metodo utilizza il metodo degli aggiunti (adjoint method) e l'autodifferenziazione (AD) per calcolare i gradienti in modo efficiente attraverso il risolutore agli elementi finiti (Firedrake).

3. Contributi Chiave

• Framework Generalizzato: A differenza di approcci precedenti, questo metodo non richiede una forma funzionale a priori e può gestire parametri esterni multipli.
• Integrazione PDE-ML: L'uso dell'ottimizzazione vincolata alle PDE permette di ottenere soluzioni più robuste rispetto ai Physics-Informed Neural Networks (PINNs) tradizionali, specialmente in presenza di rumore elevato.
• Interpretabilità: Grazie all'uso degli invarianti tensoriali, la rete neurale non è una "black box", ma rappresenta quantità fisiche chiare (la viscosità efficace).

4. Risultati Sperimentali

Caso 1: Ghiaccio Terrestre (Land Ice)

• Obiettivo: Recuperare la Legge di Glen (una legge di potenza dipendente dalla temperatura).
• Risultato: Il metodo ha recuperato con successo la legge di Glen. È stato dimostrato che l'inferenza basata sulla velocità è estremamente robusta e produce errori sulla velocità molto più bassi rispetto all'inferenza basata sullo stress, anche con dati rumorosi.

Caso 2: Ghiaccio Marino (Sea Ice) - Modello Viscoso-Plastico

• Obiettivo: Recuperare il modello di Hibler (viscoso-plastico) dipendente dalla concentrazione di ghiaccio.
• Risultato: In questo caso, la sensibilità è invertita: l'inferenza basata sullo stress è più accurata nel ricostruire la reologia rispetto a quella basata sulla velocità.

Caso 3: Ghiaccio Marino - Dati DEM (Discrete Element Method)

• Obiettivo: Scoprire una reologia ignota partendo da simulazioni di singoli floe (blocchi di ghiaccio) che includono collisioni.
• Risultato: Il metodo ha "scoperto" una reologia che non era stata definita a priori, capace di riprodurre il passaggio da un comportamento di shear-thickening (ispessimento per taglio) a shear-thinning (assottigliamento per taglio) al variare della concentrazione.

5. Significato e Conclusioni

Il lavoro dimostra che è possibile utilizzare il machine learning per scoprire leggi costitutive complesse senza violare i principi fondamentali della fisica. La capacità del modello di generalizzare bene al di fuori del dataset di addestramento e la sua robustezza rispetto al rumore lo rendono uno strumento potente per la glaciologia e la fluidodinamica computazionale. Il paper evidenzia inoltre come la scelta del tipo di dato (stress vs velocità) sia critica e dipenda strettamente dalla natura del problema fisico trattato.