S$^{2}$-PINN: Stochastic Separable Physics-Informed Neural Networks

Nel mondo dell'ingegneria e della scienza del clima, prevedere il futuro raramente è una questione di semplice certezza. Quando gli scienziati modellano il modo in cui il calore si diffonde attraverso una trave metallica, come l'acqua filtra attraverso il suolo o come l'aria vortica attorno a un'ala di un aeroplano, devono tenere conto del fatto che gli input non sono mai perfettamente noti. Un materiale potrebbe essere leggermente più ruvido in un punto, o il vento potrebbe soffiare una frazione più forte del previsto. Queste piccole variazioni casuali si propagano attraverso le equazioni, creando una vasta nuvola di possibili risultati piuttosto che un singolo valore fisso. Per comprendere il rischio, gli ingegneri devono conoscere non solo il risultato più probabile, ma l'intero intervallo di possibilità e quanto sia probabile ciascuno di essi. Questo campo, noto come quantificazione dell'incertezza, è essenziale per progettare ponti sicuri, dispositivi medici affidabili e modelli climatici accurati. Tuttavia, calcolare queste probabilità è stato storicamente un compito monumentale. I metodi tradizionali richiedono spesso di eseguire la stessa simulazione complessa migliaia di volte, ciascuna con input casuali leggermente diversi, per costruire un quadro dell'insieme. Man mano che il numero di fattori incerti cresce, la potenza di calcolo richiesta esplode, rendendo molti problemi del mondo reale troppo costosi da risolvere con gli strumenti attualmente disponibili.

Un team di ricercatori della Lehigh University ha introdotto un nuovo approccio che affronta questo collo di bottiglia computazionale cambiando il modo in cui la soluzione viene costruita fin dalle fondamenta. Hanno sviluppato un sistema chiamato S2-PINN, che sta per Stochastic Separable Physics-Informed Neural Network (Rete Neurale Informata dalla Fisica Stocastica Separabile). Invece di trattare il problema come una rete massiccia e aggrovigliata dove spazio, tempo e casualità sono tutti mescolati insieme, questo metodo scompone la soluzione in tre pezzi distinti e gestibili. Immaginate la soluzione come un arazzo; invece di tessere ogni singolo filo di colore, tempo e posizione in un unico blocco denso, i ricercatori separano i fili in tre fasci chiari: uno per lo spazio fisico, uno per il passaggio del tempo e uno per le variazioni casuali. Questi fasci vengono poi intrecciati nuovamente utilizzando un modello specifico ed efficiente che mantiene basso il numero totale di fili. Questa separazione permette al computer di gestire la casualità senza rimanere bloccato dall'enorme volume di calcoli solitamente richiesti.

Il cuore di questo nuovo sistema è una combinazione intelligente di tre strumenti specializzati che lavorano in armonia. In primo luogo, utilizza un insieme flessibile di blocchi costruttivi per descrivere la forma della soluzione nello spazio, adattandosi alla geometria del problema. In secondo luogo, impiega un insieme ritmico di caratteristiche per tracciare come la soluzione cambia nel tempo, in modo simile a come un musicista potrebbe usare un insieme di note per descrivere una melodia. Terzo, e più crucialmente per l'aspetto dell'incertezza, utilizza una libreria matematica di forme standard per rappresentare le variazioni casuali. Questi tre set di strumenti sono collegati da un connettore compatto a basso rango che assicura che lavorino in sincronia senza richiedere un calcolo separato e massiccio per ogni singola combinazione di spazio, tempo e casualità. Il sistema viene addestrato attraverso un processo duale: verifica che la soluzione obbedisca alle leggi fondamentali della fisica in ogni punto e, allo stesso tempo, assicura che i modelli statistici della casualità corrispondano al comportamento atteso. Questo doppio controllo agisce come un rigoroso controllo di qualità, costringendo il modello a essere sia fisicamente accurato che statisticamente solido.

Quando i ricercatori hanno testato questo nuovo metodo contro una vasta gamma di problemi impegnativi, i risultati sono stati sorprendenti. Hanno eseguito simulazioni su quattro diversi tipi di sistemi fisici, inclusi modelli per la diffusione del calore, il flusso di fluidi e le reazioni chimiche, tutti con input casuali. In ogni caso, il nuovo metodo ha prodotto previsioni più accurate del risultato medio e della dispersione dei possibili risultati rispetto a nove altri metodi all'avanguardia. Ha raggiunto questo alto livello di precisione utilizzando risorse computazionali significativamente inferiori; in un confronto, il nuovo modello ha utilizzato circa trenta volte meno parametri regolabili rispetto a una rete neurale standard e tradizionale. Questa efficienza è vitale perché significa che il metodo può scalare verso problemi con molti più fattori casuali senza mandare in crash il computer. I ricercatori hanno spinto il sistema ai suoi limiti, testandolo con fino a cinquanta diverse variabili casuali, un livello di complessità che tipicamente travolgerebbe gli approcci standard. Anche in questi test estremi, il metodo è rimasto stabile e accurato.

Lo studio ha anche esplorato se questo approccio potesse funzionare su problemi in cui la risposta non è nota in anticipo, come prevedere il flusso d'acqua attraverso una roccia con permeabilità imprevedibile. In questo caso, il metodo ha superato nuovamente le tecniche tradizionali, fornendo stime affidabili sia del flusso medio che dell'incertezza che lo circonda. Inoltre, i ricercatori hanno dimostrato che il sistema può lavorare al contrario. Invece di prevedere semplicemente l'esito di un insieme noto di condizioni, il sistema può osservare i dati raccolti e lavorare a ritroso per capire le proprietà nascoste e casuali del materiale stesso. Questa capacità di risolvere "problemi inversi" apre la porta all'uso del metodo per identificare proprietà materiali sconosciute in scenari del mondo reale, come rilevare difetti nelle infrastrutture o caratterizzare serbatoi sotterranei.

Uno dei risultati più significativi è stato come il metodo gestisce la relazione tra la casualità e la fisica. I ricercatori hanno scoperto che quando le variazioni casuali seguono un modello fluido e prevedibile, la parte statistica del modello agisce come una potente guida, affinando l'accuratezza della previsione. Tuttavia, hanno anche scoperto che se la casualità è estremamente erratica o segue un modello che non si adatta alle forme standard utilizzate dal modello, la guida statistica può talvolta introdurre un leggero bias. Questo non è un fallimento del sistema, ma piuttosto un segnale chiaro che la natura della casualità deve essere regolata o che la libreria di forme del modello deve essere ampliata. Questa trasparenza consente agli ingegneri di diagnosticare potenziali problemi prima che diventino critici, una caratteristica che spesso manca in altri modelli di intelligenza artificiale definiti "black box".

Il lavoro rappresenta un cambiamento nel modo in cui pensiamo a risolvere problemi fisici complessi con incertezza. Trattando lo spazio, il tempo e la casualità come ingredienti separati ma connessi, i ricercatori hanno creato un framework che è sia matematicamente elegante che computazionalmente efficiente. Non si basa su enormi quantità di dati pre-raccolti, né richiede la ripetizione con la forza bruta di migliaia di simulazioni. Inveve, apprende la struttura del problema direttamente dalle leggi della fisica e dalla natura della casualità. Sebbene il metodo non sia una bacchetta magica che risolve ogni possibile problema istantaneamente, fornisce uno strumento robusto e scalabile per una vasta gamma di sfide scientifiche e ingegneristiche. I ricercatori hanno reso il loro codice pubblico, invitando altri a costruire su questa base. Mentre il mondo affronta sfide sempre più complesse in termini di energia, clima e scienza dei materiali, la capacità di quantificare l'incertezza in modo efficiente e accurato diventerà sempre più critica, e questo nuovo approccio offre una strada promettente verso il futuro.