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

Technische Samenvatting: ASP-ondersteunde Symbolische Regressie in de Stromingsmechanica

Probleemstelling
De modellering in de stromingsmechanica staat voor een tweespalt tussen traditionele Computational Fluid Dynamics (CFD), dat fysiek transparant is maar rekenkundig duur, en moderne Machine Learning (ML) benaderingen, die efficiëntie bieden maar vaak ontberen in interpreteerbaarheid ("black box"-gedrag). Hoewel Symbolische Regressie (SR) is opgekomen als een veelbelovend alternatief dat in staat is interpreteerbare wiskundige uitdrukkingen te ontdekken uit data, lopen puur datagedreven SR-modellen het risico vergelijkingen te genereren die statistisch accuraat zijn maar fysiek onwaarschijnlijk. Ze kunnen domeinspecifieke beperkingen of fundamentele natuurwetten schenden omdat ze opereren zonder expliciete kennis van de onderliggende fysica. Deze studie adresseert de uitdaging van het modelleren van driedimensionale (3D) laminaire stroming in een rechthoekig kanaal, met name gericht op het afleiden van compacte, interpreteerbare formules voor axiale snelheid en drukvelden die zowel accuraat als fysiek consistent zijn.

Methodologie
Het onderzoek hanteert een tweeledige methodologie: een standaard Symbolische Regressie-benadering gevolgd door een innovatief hybride raamwerk dat Answer Set Programming (ASP) integreert.

1. Datageneratie en Opzet:

   • Het fysische probleem betreft 3D laminaire stroming in een symmetrisch rechthoekig kanaal ($L=5, H=W=1$).
   • De sturende vergelijkingen zijn de genormaliseerde Navier-Stokes-vergelijkingen en de massabehoudswet.
   • Numerieke oplossingen worden gegenereerd met de Finite Volume Method (FVM) geïmplementeerd in MATLAB met een $50 \times 25 \times 25$ rooster.
   • De stroming wordt aangedreven door een constante drukgradiënt in stromingsrichting ($c$), die dient als primaire controleparameter. Een effectief Reynoldsgetal ($Re$) wordt a posteriori berekend uit de numerieke oplossing om te dienen als een scalair controleparameter voor de SR-modellen.
   • Datasets omvatten trainingssets ($Re \in \{34, 105, 174, 209, 279\}$) en testsets ($Re \in \{70, 139, 244\}$).

2. Symbolische Regressie (SR) Fase:

   • De PySR-bibliotheek (v0.19.4) wordt gebruikt om symbolische uitdrukkingen te ontdekken voor axiale snelheid ($u$) en druk ($p$) als functies van ruimtelijke coördinaten ($X, Y, Z$) en $Re$.
   • Primitieven: De zoekruimte is beperkt tot domein-gemotiveerde operatoren: basisrekenkundige bewerkingen ($+, -, *, /$) en polynomen van lage orde (kwadraat, kubus).
   • Beperkingen: Om interpreteerbaarheid te waarborgen, is de complexiteit van uitdrukkingen beperkt tot 25 operaties. Geneste beperkingen voorkomen redundante functies van hoge orde.
   • Optimalisatie: Modellen worden geëvolueerd over 1000 iteraties om de Gemiddelde Kwikwafel (MSE) te minimaliseren, waarbij een Pareto-front van oplossingen wordt gegenereerd die accuraatheid en eenvoud in evenwicht brengt.

3. Hybride SR/ASP Fase:

   • Om de beperking van puur datagedreven modellen aan te pakken, integreren de auteurs SR met Answer Set Programming (ASP), een declaratief programmeerparadigma voor constraint satisfaction.
   • Werkstroom: SR genereert kandidaat-vergelijkingen. Deze worden geparsed naar feiten (bijvoorbeeld complexiteit, verlies, aanwezigheid van specifieke termen zoals $Re$ of $Y^2$).
   • Filtering: Een ASP-programma codeert domeinspecifieke fysieke beperkingen (bijvoorbeeld uitsluiting van niet-fysische termen zoals $X^3$ of $Y^3$, vereiste opname van $Re$, naleving van no-slip randvoorwaarden, en symmetrie-eisen).
   • Oplossen: Een ASP-oplosser (CLASP) verwerkt deze feiten en beperkingen om de SR-output te filteren, waarbij alleen vergelijkingen worden behouden die zowel statistisch accuraat als fysiek geldig zijn.

Belangrijkste Bijdragen

• Afleiding van Compacte Natuurwetten: De studie leidt succesvol expliciete, gesloten-formule symbolische vergelijkingen af voor 3D laminaire stromingssnelheid en druk die nauw overeenkomen met numerieke oplossingen en gevestigde analytische trends.
• Nieuwe SR/ASP Integratie: Het artikel presenteert, voor zover de auteurs weten, de eerste poging om Symbolische Regressie te combineren met Answer Set Programming. Dit hybride raamwerk benut de generatieve kracht van SR en het declaratieve redeneren van ASP om ervoor te zorgen dat afgeleide modellen voldoen aan fysische principes.
• Validatie van Robuustheid: De aanpak wordt gevalideerd door ruisinjectie (2% ruis toegevoegd aan de data) en uitbreiding van de operatorensset (inclusief trigonometrische/exponentiële functies), wat aantoont dat de ontdekte polynoomrelaties echte weerspiegelingen zijn van de stromingsfysica en geen artefacten van de zoekruimte.

Resultaten

• Snelheidsmodel: Het SR-model leidde de vergelijking $u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$ af. Deze uitdrukking vangt het verwachte paraboolvormige snelheidsprofiel. Het bereikte een Genormaliseerde Gemiddelde Absolute Fout (NMAE) van 0,008% op de trainingsset en 0,010% op de testset.
• Drukmodel: De afgeleide drukvergelijking is $p_{symb} = Re(143.43 - 28.69 X)$, wat een lineaire drukdaling weerspiegelt. Dit model bereikte een NMAE in de orde van $10^{-8}\%$, wat een bijna perfecte uitlijning met de numerieke data aangeeft.
• Vergelijking met Literatuur: De afgeleide snelheidsvergelijking benadert nauwkeurig de analytische oplossing voor rechthoekige kanalen die in de literatuur wordt gevonden (bijvoorbeeld $u \propto (1-4y^2)(1-4z^2)$), met kleine discrepanties die worden toegeschreven aan numerieke data met eindige resolutie.
• ASP-filtering: In een representatief voorbeeld filterde de ASP-module succesvol een Pareto-front van 14 vergelijkingen. Het selecteerde de meest accurate en fysiek geldige kandidaten (inclusief de uiteindelijke snelheidsvergelijking) in ongeveer 0,1 seconde, een verwaarloosbare tijd in vergelijking met de 15 minuten die nodig waren voor de SR-trainingsfase. Het filteren slaagde erin vergelijkingen die symmetrie of randvoorwaarden schenden, uit te sluiten.

Betekenis en Claims
Het artikel claimt dat de voorgestelde SR/ASP-methodologie het potentieel demonstreert van het combineren van datagedreven en kennisrepresentatie-benaderingen om de interpreteerbaarheid, betrouwbaarheid en fysieke uitlijning van AI-modellen in de stromingsdynamica te verbeteren.

• Interpreteerbaarheid: In tegenstelling tot "black box" ML-modellen, zijn de resulterende vergelijkingen menselijk leesbaar en onthullen ze de onderliggende fysica (paraboolvormige snelheid, lineaire drukdaling).
• Betrouwbaarheid: Door ASP te integreren, zorgt het raamwerk ervoor dat modellen niet alleen de data passen, maar ook domeinspecifieke beperkingen respecteren, waardoor de selectie van fysiek onmogelijke vergelijkingen wordt voorkomen.
• Efficiëntie: De afgeleide symbolische uitdrukkingen dienen als efficiënte surrogaten voor rekenkundig intensieve numerieke methoden, en bieden snelle en accurate voorspellingen.

De auteurs handhaven een bescheiden toon wat betreft toekomstige implicaties, en merken op dat hoewel de huidige studie zich richt op een specifieke 3D-kanaalgeometrie, het raamwerk generaliseerbaar is. Zij suggereren dat toekomstig werk zou kunnen gaan over het integreren van Chebyshev-polynomen in de SR-operatoren en het gebruik van Large Language Models om automatisch ASP-beperkingen af te leiden uit natuurlijke taalbeschrijvingen van domeinkennis.