CoFINN: Conservation Flux Informed Neural Networks for Physics Problems Governed by Conservation Laws

Sintesi Tecnica: CoFINN (Conservation Flux Informed Neural Networks)

Problematica
Gli approcci tradizionali di apprendimento automatico per la previsione del moto dei fluidi, in particolare le Reti Neurali Convoluzionali (CNN), funzionano come approssimatori guidati dai dati che ottimizzano metriche di somiglianza pixel-per-pixel. Sebbene questi modelli offrano incrementi significativi della velocità computazionale rispetto alla fluidodinamica computazionale (CFD) ad alta fedeltà, essi mancano di una consapevolezza intrinseca delle leggi fisiche governanti. Nelle applicazioni aerodinamiche che coinvolgono flussi comprimibili, questo limite è critico. I modelli puramente guidati dai dati spesso non riescono a imporre una rigorosa conservazione di massa, quantità di moto ed energia, portando a previsioni fisicamente incoerenti. Ciò è particolarmente problematico nelle regioni con forti interazioni fisiche, come le onde d'urto e gli strati limite, dove piccole imprecisioni spaziali possono causare grandi errori nelle grandezze ingegneristiche derivate, come la portanza e la resistenza. Inoltre, le standard CNN non preservano intrinsecamente l'accoppiamento fisico tra le variabili (pressione, densità, velocità, energia) dettato dalle equazioni di Navier-Stokes e dall'equazione di stato.

Metodologia: Framework CoFINN
Gli autori propongono CoFINN (Conservation Flux Informed Neural Networks), un framework di deep learning informato dalla fisica che integra la fisica della conservazione a volumi finiti direttamente nel processo di addestramento. A differenza delle classiche Physics-Informed Neural Networks (PINN), che impongono i residui delle equazioni differenziali nei punti di collocazione tramite differenziazione automatica, CoFINN adotta una prospettiva a volumi finiti coerente con la moderna metodologia CFD.

Componenti metodologiche chiave includono:

• Interpretazione Immagine-come-Mesh: Il campo di output della CNN viene interpretato come una griglia computazionale strutturata dove ogni pixel rappresenta una cella a volume finito.
• Conservazione basata sul Flusso: La coerenza della conservazione è imposta attraverso sofisticati calcoli di flusso numerico attraverso le interfacce delle celle. Il framework utilizza il risolutore di Riemann HLLC (Harten-Lax-van Leer Contact), un robusto risolutore di Riemann approssimativo utilizzato nella CFD ad alta fedeltà, per calcolare i flussi convettivi tra i pixel vicini.
• Formulazione della Funzione di Perdita: L'obiettivo di addestramento combina una perdita standard guidata dai dati (Errore Assoluto Medio tra le variabili primitive previste e quelle reali) con una perdita informata dalla fisica. La perdita fisica minimizza il residuo tra il bilancio del flusso reale (derivato dai dati CFD ad alta fedeltà) e il flusso convettivo calcolato dalla previsione della rete.
  • $L_{total} = (1 - \lambda) \times L_{data} + \lambda \times L_{flux}$
  • Qui, $L_{flux}$ misura l'errore nella conservazione della quantità di moto confrontando la somma del flusso previsto con un "Residuo di Flusso Reale" ($F_{GT}$) precomputato che tiene conto dei termini viscosi e delle sorgenti interne.
• Agnosticismo dell'Architettura: La metodologia è progettata per essere agnostica rispetto all'architettura, come dimostrato dalla sua applicazione a quattro distinte famiglie di reti: CNNFoil (CNN encoder-decoder), Fourier Neural Operator (FNO), Vision Transformer (ViT) e modelli di Denoising Diffusion condizionali.

Contributi Chiave

1. Integrazione dei Volumi Finiti: Il documento introduce un nuovo approccio all'apprendimento informato dalla fisica che tratta gli output delle CNN come celle a volume finito, colmando il divario tra l'elaborazione delle immagini guidata dai dati e i rigorosi metodi numerici CFD.
2. Addestramento Consapevole della Conservazione: Utilizzando lo schema di flusso HLLC all'interno della funzione di perdita, il modello è esplicitamente guidato verso soluzioni fisicamente ammissibili che soddisfano il comportamento di conservazione discreto, piuttosto che limitarsi ad apprendere correlazioni geometriche.
3. Miglioramento della Previsione delle Forze: Il framework dimostra che l'integrazione dei flussi di conservazione migliora significativamente la previsione delle forze aerodinamiche (portanza e resistenza), che sono quantità integrali derivate dal campo di moto, anche se gli errori delle variabili pixel-wise rimangono comparabili ai baseline guidati dai dati.

Risultati
Il framework è stato valutato sulla previsione di flussi transonici attorno ad ali profili a $M = 0.7$ e $Re = 6 \times 10^6$, coprendo angoli di attacco da $-10^\circ$ a $20^\circ$.

• Accuratezza della Previsione della Resistenza: CoFINN ha ridotto significativamente gli errori di previsione della resistenza. Per l'architettura CNNFoil, l'errore di resistenza ($\epsilon_{CD}$) è stato ridotto fino al 34% agli angoli di attacco estremi e di circa il 15% in media su tutto il set di test rispetto ai baseline puramente guidati dai dati.
• Regimi a Dati Limitati: La perdita basata sulla conservazione ha agito come un efficace regolarizzatore fisico, mostrando miglioramenti particolarmente significativi nei regimi con dati limitati (ad esempio, addestramento su un singolo angolo di attacco), dove le riduzioni dell'errore di resistenza hanno raggiunto fino all'85%.
• Prestazioni del Modello: Sebbene l'architettura CNNFoil abbia mostrato i miglioramenti più consistenti in tutti i range di addestramento, anche FNO e ViT hanno dimostrato una riduzione degli errori di resistenza con CoFINN. Tuttavia, il modello di Diffusione ha mostrato risultati misti, con miglioramenti nei regimi a dati limitati ma degradazione nei regimi a dati completi.
• Coerenza Fisica: Il metodo ha corretto con successo le gravi sottostime della resistenza vicino alle condizioni di portanza nulla (ad esempio, $\alpha = 0^\circ$) che affliggevano i modelli baseline, recuperando magnitudo fisiche che corrispondono al valore reale fino a tre decimali.

Significatività e Rivendicazioni
Il documento afferma che CoFINN riesce a trasformare le reti neurali da sistemi puramente di elaborazione delle immagini in modelli predittivi consapevoli della conservazione. La principale significatività risiede nel mantenere i vantaggi di efficienza computazionale dei surrogati CNN pur migliorando significativamente la coerenza fisica e il comportamento di conservazione. Gli autori sottolineano che questo approccio non riduce i requisiti di dati (poiché è supervisionato dai dati CFD) ma rimodella il panorama della perdita per favorire previsioni che soddisfino le leggi di conservazione discrete. Ciò porta a previsioni più affidabili e utilizzabili per applicazioni di progettazione reali, particolarmente in scenari che coinvolgono onde d'urto e angoli di attacco elevati dove i modelli puramente guidati dai dati spesso falliscono nel catturare la corretta associazione fisica delle variabili. Il framework è presentato come estendibile a classi più ampie di sistemi fisici governati da leggi di conservazione.