Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

Nel mondo dell'ingegneria e della fisica, gli scienziati affrontano spesso una scelta difficile quando simulano il comportamento dei materiali o il movimento dei fluidi. Possono eseguire un modello informatico altamente dettagliato e su scala completa che cattura ogni minima sfumatura del mondo fisico, ma questi calcoli sono così pesanti che richiedono giorni o settimane per terminare, rendendo impossibile testare molti scenari diversi. In alternativa, possono utilizzare una versione più semplice e veloce del modello, che si esegue in pochi secondi, ma questa scorciatoia spesso tralascia dettagli importanti o fallisce quando la situazione si complica. Per decenni, i ricercatori hanno cercato di risolvere questo problema dividendo un grande problema in parti più piccole, assegnando il modello semplice e veloce alle parti facili e il modello lento e dettagliato alle parti difficili. Tuttavia, un limite principale è rimasto costante: una volta che il computer decide quale parte riceve quale modello, quella decisione è solitamente bloccata per l'intera simulazione. Se un'onda d'urto o una crepa si muovono da un'area "semplice" verso un'area "dettagliata", la simulazione potrebbe fallire perché il modello semplificato non è in grado di gestire la improvvisa complessità.

Un team di ricercatori ha sviluppato un nuovo modo per permettere al computer di cambiare idea durante la simulazione. Insegnando a un programma per computer di agire come un manager intelligente, hanno creato un sistema che osserva la simulazione in tempo reale e decide istantaneamente quali parti necessitano del modello pesante e dettagliato e quali possono accontentarsi di quello veloce e semplificato. Questo approccio utilizza una tecnica di apprendimento per rinforzo (reinforcement learning), in cui il computer impara attraverso tentativi ed errori, proprio come un giocatore che impara a giocare a un videogioco, per trovare il miglior equilibrio tra velocità e precisione. I ricercatori hanno testato questo sistema su due problemi molto diversi: un flusso unidimensionale di un fluido con un fronte in movimento e una simulazione tridimensionale di una trave d'acciaio che vibra sotto sforzo. Hanno scoperto che il computer poteva tracciare con successo caratteristiche in movimento, come un'onda viaggiante o un fronte d'urto, cambiando automaticamente il modello ad alta fedeltà nella regione in cui era più necessario. Ciò ha permesso alla simulazione di rimanere accurata senza il costo enorme di eseguire il modello dettagliato ovunque, e il sistema ha funzionato anche quando è stato testato su situazioni che non aveva mai visto prima.

Il cuore di questo lavoro risiede in un metodo chiamato metodo alternato di Schwarz sovrapposto, che è un modo per risolvere un grande problema scomponendolo in pezzi più piccoli e sovrapposti. Immaginate una grande mappa coperta da due fogli trasparenti; i bordi dei fogli si sovrappongono e le informazioni vengono passate avanti e indietro tra di essi finché l'immagine non è coerente in tutta la mappa. In passato, i ricercatori assegnavano un tipo specifico di modello matematico a ciascun foglio e lo mantenevano lì. Il nuovo metodo aggiunge uno strato di intelligenza sopra questo processo. I ricercatori hanno addestrato un agente digitale utilizzando un tipo di intelligenza artificiale noto come deep Q-network. A questo agente sono stati mostrati migliaia di diversi scenari di simulazione e ha imparato a prendere decisioni basandosi su un sistema di ricompense. La ricompensa era alta se la simulazione era accurata e veloce, ma veniva penalizzata se l'agente cambiava idea inutilmente, il che avrebbe sprecato tempo. L'obiettivo era insegnare all'agente a riconoscere quando una caratteristica complessa, come un'onda netta o un fronte in movimento, entrava in una specifica area e a passare quell'area al modello dettagliato proprio in tempo utile.

Nel primo test, i ricercatori hanno simulato un flusso unidimensionale dove un fronte netto si muoveva attraverso un tubo. Hanno configurato la simulazione con tre sezioni sovrapposte e hanno dato all'agente la scelta di eseguire il modello dettagliato o quello semplificato in ogni sezione. L'agente ha imparato a mantenere attivo il modello semplificato nelle parti tranquille del tubo, passando al modello dettagliato nella sezione contenente il fronte in movimento. Mentre il fronte viaggiava da sinistra a destra, l'agente spostava fluidamente il modello dettagliato per seguirlo. I risultati sono stati sorprendenti: il sistema intelligente ha ottenuto un tasso di errore cinque volte inferiore rispetto alla migliore disposizione fissa di modelli, correndo anche più velocemente rispetto all'uso del modello dettagliato ovunque. Interessante è che i ricercatori hanno anche testato una versione in cui l'agente poteva cambiare la dimensione e la posizione delle sezioni sovrapposte stesse, non solo i modelli. Hanno scoperto che questo ulteriore grado di libertà non ha effettivamente migliorato i risultati; il sistema ha performato meglio concentrandosi semplicemente sul movimento del modello dettagliato all'interno di una struttura fissa. Ciò suggerisce che, per questo tipo di problema, la capacità di cambiare i modelli è il fattore più critico, mentre il continuo rimodellamento della griglia aggiunge una complessità non necessaria.

Il secondo test si è spostato nel mondo reale della meccanica dei solidi, utilizzando una simulazione tridimensionale di una trave d'acciaio all'interno di un codice software specializzato chiamato Norma.jl. Questo scenario coinvolgeva un'onda che viaggiava attraverso la trave, rimbalzando alle estremità e muovendosi avanti e indietro. I ricercatori hanno configurato la trave con due e poi tre sezioni sovrapposte, addestrando l'agente ad assegnare i modelli dettagliato o semplificato a queste sezioni mentre l'onda si muoveva. Nel test con due sezioni, l'agente ha assegnato correttamente il modello dettagliato alla sezione in cui si trovava attualmente l'onda e il modello semplificato alla sezione tranquilla. Quando l'onda ha colpito l'estremità della trave ed è stata riflessa, l'agente ha immediatamente spostato il modello dettagliato sull'altro lato per tracciare l'onda di ritorno. Lo stesso comportamento si è verificato nella configurazione a tre sezioni. Le politiche apprese sono state così efficaci da ridurre l'errore di oltre dieci volte rispetto alla migliore disposizione di modelli fissi, riducendo al contempo il tempo di calcolo totale di diversi secondi. Fondamentalmente, i ricercatori hanno testato questi agenti addestrati su nuovi scenari con diverse posizioni iniziali e larghezze d'onda che non facevano parte dei dati di addestramento. Gli agenti si sono generalizzati perfettamente, gestendo queste situazioni inedite con la stessa abilità, dimostrando che il sistema aveva appreso una regola generale piuttosto che aver semplicemente memorizzato esempi specifici.

Lo studio ha anche evidenziato l'importanza di una regola specifica nel processo di addestramento: una penalità per il cambio troppo frequente dei modelli. Senza questa penalità, l'agente tendeva a passare rapidamente dal modello dettagliato a quello semplificato e viceversa, il che è inefficiente e può causare instabilità nella simulazione. Aggiungendo un piccolo costo a ogni switch, i ricercatori hanno insegnato all'agente a essere più deliberato, cambiando strategia solo quando la fisica della situazione lo richiedeva davvero. Ciò ha portato a una simulazione molto più fluida e stabile, mantenendo comunque un'alta precisione. I ricercatori hanno osservato che, sebbene i modelli semplificati utilizzati fossero pre-addestrati e fissi, la capacità di cambiarli online è un passo avanti significativo. Hanno ammesso che il lavoro futuro potrebbe prevedere l'aggiornamento dei modelli semplificati "al volo" man mano che arrivano nuovi dati, ma per ora, la capacità di scegliere dinamicamente lo strumento giusto per il compito giusto al momento giusto si è dimostrata un modo potente per rendere le simulazioni complesse sia più veloci che più affidabili.

In definitiva, questa ricerca dimostra che l'intelligenza artificiale può essere utilizzata per gestire il compromesso tra velocità e precisione nell'informatica scientifica. Permettendo a un computer di imparare quando utilizzare un modello pesante e quando affidarsi a uno leggero, gli ingegneri possono simulare eventi complessi e variabili senza attendere giorni per i risultati. Il sistema non deve essere riaddestrato per ogni nuovo problema; una volta appresi i principi generali di come bilanciare accuratezza e costi, può applicare tale conoscenza a nuove situazioni mai incontrate prima. Ciò apre la porta a un'ottimizzazione del design più rapida e a una migliore comprensione dei sistemi fisici, dal flusso dei fluidi alla vibrazione delle strutture, rendendo le simulazioni ad alta fedeltà pratiche per problemi che erano precedentemente troppo costosi o troppo lenti da risolvere.