A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics

In dit paper wordt AegirJAX voorgesteld, een volledig differentieerbare hydrodynamische solver die de scheidslijn tussen forward-simulatie en inverse optimalisatie vervagt door het integreren van de tijdsafhankelijke fysica in een automatisch differentiatie-framework voor uiteenlopende kusthydrodynamische toepassingen.

De kern

Stel je voor dat je een enorme, complexe puzzel probeert op te lossen: hoe gedraagt het water zich tijdens een tsunami, of hoe bouw je de perfecte golfbreker om een haven te beschermen?

Vroeger was dit als het proberen van een recept door blind te proeven. Wetenschappers gebruikten computersimulaties om het water te modelleren, maar als ze iets wilden verbeteren (bijvoorbeeld: "waar moet de golfbreker precies staan?"), moesten ze de hele berekening handmatig terugrekenen. Dit was zoals het proberen van een nieuwe route in de stad door elke keer de hele stad uit te lopen om te zien of het sneller ging. Het duurde eeuwen, was foutgevoelig en vaak onmogelijk.

De auteurs van dit paper, Elsa en Alex Bihlo, hebben een nieuwe manier bedacht die ze AegirJAX noemen. Laten we uitleggen wat dit is met een paar simpele analogieën.

1. De "Magische Spiegel" (Differentiëren)

Stel je voor dat je een spiegel hebt die niet alleen je afbeelding toont, maar ook precies laat zien waar je hand bewoog om die afbeelding te veranderen.

• De oude manier: Je probeert een foto te maken, kijkt naar het resultaat, en moet dan zelf raden welke knop je op je camera moest indrukken om het volgende keer beter te doen.
• De AegirJAX-methode: De computer is een "slimme spiegel". Als je de simulatie draait, onthoudt hij elke kleine stap die hij heeft genomen. Als het resultaat niet goed is, kan hij direct en precies terugrekenen: "Ah, als je de golfbreker 1 meter naar links had verplaatst, was het resultaat 10% beter." Dit noemen ze differentiëren. Het maakt het mogelijk om van "voorspellen" direct over te gaan op "leren en optimaliseren".

2. De "Leerling die de Leraar helpt" (Neurale Correcties)

Soms zijn de wiskundige formules die we gebruiken voor water niet perfect. Ze zijn een beetje te simpel, alsof je probeert een complexe dans te beschrijven met alleen maar rechte lijnen.

• De oplossing: AegirJAX koppelt een kunstmatige intelligentie (een neurale netwerk) aan de water-simulatie.
• De analogie: Stel je voor dat je een ervaren dansleraar hebt (de waterformules) die de basisbewegingen kent, maar soms de kleine details mist. Je hebt een jonge, slimme leerling (het neurale netwerk) die naar de echte dans kijkt. De leerling ziet waar de leraar fout zit en zegt: "Hé, in dit stukje moet je een beetje meer naar rechts draaien."
• In het paper zien we dat deze "leerling" de simulatie zo goed kan verbeteren dat hij zelfs complexe golven die anders te moeilijk zijn, perfect kan nabootsen. Hij vult de gaten in de kennis van de leraar in.

3. De "Digitale Architect" (Omgekeerd Ontwerpen)

Stel je voor dat je een haven wilt bouwen, maar je weet niet hoe de golfbreker eruit moet zien.

• De oude manier: Je bouwt een model, test het, ziet dat het mislukt, en bouwt een nieuw model. Dit doe je honderden keren.
• De AegirJAX-methode: Je geeft de computer de opdracht: "Maak de perfecte golfbreker met precies 1000 ton steen." Omdat de computer de "magische spiegel" is, kan hij direct zien welke vorm het water het beste stopt. Hij schuift en draait de vorm van de golfbreker in de computer, net als een 3D-puzzel, totdat hij de perfecte vorm heeft gevonden die de golven buigt en de haven veilig houdt. Hij doet dit in een fractie van de tijd die een mens nodig zou hebben.

4. De "Tijdmachine voor Controle" (Actieve Besturing)

Stel je voor dat je een golfbreker hebt die kan bewegen, zoals een slimme deur die open en dicht gaat om golven te blokkeren.

• Het probleem: Golven komen snel en onvoorspelbaar. Een simpele computer die alleen reageert op wat hij nu ziet, is te traag.
• De oplossing: AegirJAX gebruikt een "herinnerend" brein (een recurrent neural network). Dit brein heeft de simulatie al duizenden keren in zijn hoofd gedraaid. Het leert niet alleen te reageren, maar te voorspellen.
• De analogie: Het is alsof je een surfplank bestuurt. Een beginner wacht tot hij een golf ziet en probeert dan te draaien. Een pro voelt de golf al aankomen en draait voor de golf er is. AegirJAX leert deze "pro" te zijn. In het paper zien ze dat dit systeem meer dan 97% van de energie van een tsunami kan blokkeren door op het perfecte moment een tegengolf te maken.

5. De "Detective" (Terugzoeken)

Soms weten we niet hoe de zeebodem eruitziet, of waar een onderwateraardverschuiving heeft plaatsgevonden. We zien alleen de golven die op het strand aankomen.

• De oude manier: Dit is als proberen te raden hoe een auto eruitzag omdat je alleen de bandensporen op de weg ziet.
• De AegirJAX-methode: Omdat de computer elke stap van de simulatie onthoudt, kan hij de "sporen" van de golven terugvolpen. Hij werkt als een detective die de golven terugreist in de tijd om te zien: "Ah, deze golf kwam van hier, dus de zeebodem moet hier zo zijn geweest." Hij kan zelfs de vorm van een onderwateraardverschuiving reconstrueren die niemand heeft gezien, puur op basis van wat de golven deden.

Samenvatting

Kortom, AegirJAX is een revolutionaire tool die de scheidslijn tussen "simulatie" (wat gebeurt er?) en "optimalisatie" (hoe kunnen we het beter maken?) verwijdert.

Het is alsof je een auto hebt die niet alleen rijdt, maar ook direct leert hoe je hem het beste kunt sturen, hoe je de motor moet tunen, en hoe je een onbekend landschap kunt verkennen, allemaal tegelijk. Voor kustbewoners, ingenieurs en wetenschappers betekent dit dat we in de toekomst veel beter kunnen voorspellen waar tsunami's zullen toeslaan, hoe we havens het beste kunnen bouwen, en hoe we de natuur beter kunnen begrijpen.

Technische samenvatting

Titel: Een solver-in-the-loop framework voor end-to-end differentieerbare kusthydrodynamica

Auteurs: Elsa Cardoso-Bihlo en Alex Bihlo (Memorial University of Newfoundland)

---

1. Het Probleem

Numerieke simulaties van golfvoortplanting en overstroming zijn essentieel voor de kusttechniek en tsunami-risicobeoordeling. Traditionele modellen (op basis van de niet-hydrostatische ondiepe watervergelijkingen) zijn echter moeilijk toe te passen op inverse problemen, zoals:

• Het schatten van bathymetrie (zeediepte).
• Inversie van bronparameters (bijv. onderwater aardverschuivingen).
• Topologische optimalisatie van structuren (bijv. golfbrekers).

De traditionele aanpak voor deze problemen maakt gebruik van de geadjungeerde-methode (adjoint-state method). Dit is echter zeer arbeidsintensief, foutgevoelig en rigide. Het vereist het handmatig afleiden van discrete geadjungeerde vergelijkingen voor elke wijziging in het model, randvoorwaarden of wrijvingsparameters. Bovendien breken standaard numerieke behandelingen van discontinuïteiten (zoals "nat-droge" overgangen bij overstroming) de gradiëntstroom volledig, waardoor gradiëntgebaseerde optimalisatie wiskundig onmogelijk wordt in kustgebieden.

2. Methodologie: AegirJAX

De auteurs introduceren AegirJAX, een volledig differentieerbare hydrodynamische solver die is gebaseerd op de diepte-geïntegreerde, niet-hydrostatische ondiepe watervergelijkingen (NEOWAVE-model).

Kernprincipes:

• Reverse-mode Automatic Differentiation (AD): De solver is volledig geïmplementeerd in JAX, een framework dat reverse-mode AD ondersteunt. Hierdoor fungeert de tijdsstap-physica-lus als een continue computationele graaf.
• Solver-in-the-loop: In plaats van een losse geadjungeerde solver te bouwen, wordt de numerieke solver zelf behandeld als een zwaar gestructureerde, physics-informed neurale laag. Gradiënten kunnen exact worden teruggepropageerd (backpropagation) door de hele simulatie naar de invoer, randvoorwaarden of parameters.
• Differentieerbare Discretisatie: Om de differentieerbaarheid te behouden, zijn specifieke aanpassingen gedaan aan de numerieke methoden:
  • Nat-droge interface: In plaats van discrete boolean vlaggen (die gradiënten breken), wordt een continu differentieerbare "wet-masking" functie gebruikt (een geschaalde sigmoid-functie) om het waterpercentage te modelleren.
  • Lineaire oplosversnelling: Voor de niet-hydrostatische correctie (Poisson-vergelijking) wordt een differentieerbare Bi-CGSTAB algoritme gebruikt met een Jacobi-preconditioner in plaats van sequentiële ILU-factorisatie, wat parallelisatie op GPU's mogelijk maakt.
  • Vectorisatie: Alle ruimtelijke operaties gebruiken array-slicing en padding in plaats van conditionele loops, wat zorgt voor een statische computationele graaf.

3. Belangrijkste Bijdragen

Het paper demonstreert de veelzijdigheid van AegirJAX via vier wetenschappelijke machine learning-taken:

1. Ontdekking van fysische correcties (Model Discovery):

   • Het koppelen van neurale netwerken aan de solver om ontbrekende sub-grid fysica (zoals dispersie bij hoge golven) te leren.
   • Het netwerk leert een lokaal momentum-correctionveld dat de fouten van het vereenvoudigde basismodel corrigeert zonder de stabiliteit te verstoren.

2. Inverse Topologische Optimalisatie:

   • Vaste gate: Het optimaliseren van de positie en rotatie van een stijve golfbreker om een haven te beschermen, waarbij de geometrie via een continue rasterisatie (signed distance field) differentieerbaar wordt gemaakt.
   • Continue topologie: Het vinden van de optimale vorm van een golfbreker binnen een vast volume materiaal, gebruikmakend van een SIMP-geïnspireerde aanpak met een kubische straffing om "checkerboard"-patronen te voorkomen.

3. Actieve Besturing (Active Control):

   • Training van een recurrente neurale netwerk (RNN) policy in-the-loop voor actieve golfannulering.
   • De RNN leert een robust besturingsbeleid door exacte analytische gradiënten van de vloeistofdynamica te gebruiken, wat veel efficiënter is dan modelvrije versterkingslering (reinforcement learning).

4. Broninversie en Parameter Schatting:

   • Bathymetrie: Het reconstrueren van de vorm van een onderwater bar uitsluitend op basis van golfhoogtemetingen stroomafwaarts.
   • Onderwater aardverschuiving: Het gezamenlijk inversen van de kinematica (snelheid/tijd) en de ruimtelijke vorm van een onderwater aardverschuiving.
   • Tracer Bronlocatie: Het lokaliseren van een chemische lekkage in een dynamisch stromingsveld.

4. Resultaten

De experimenten tonen aanzienlijke verbeteringen ten opzichte van traditionele methoden:

• Modelcorrectie: In het Beji-Battjes benchmark (dispersieve golven) reduceerde de neurale-augmentatie de gemiddelde kwadratische fout (MSE) met 85,9% tot 90,8%, waardoor het model complexe super-harmonischen kon reproduceren zonder een complexer multi-layer model te gebruiken.
• Generalisatie: In het Conical Island benchmark slaagde het model erin om, getraind op extreme golven, succesvol te generaliseren naar een ongezien intermediaire golf (zero-shot generalisatie), met een MSE-reductie van 74,4%.
• Optimalisatie: De solver kon succesvol de positie van een golfbreker optimaliseren en een continue golfbreker-geometrie vinden die de golfenergie in een faciliteit minimaliseert binnen een materiaalbudget.
• Actieve Besturing: De getrainde RNN-policies reduceerden de totale energie in een haven met >97% bij ongezien incidenten, door destructieve interferentie te genereren.
• Inverse Problemen: De solver kon complexe bathymetrieën en dynamische aardverschuivingen nauwkeurig reconstrueren, waarbij het ook de wiskundige onbepaaldheid in onbewaakte gebieden correct identificeerde.

5. Betekenis en Conclusie

AegirJAX vertegenwoordelt een fundamentele verschuiving in de kusthydrodynamica:

• Verwarring van Voorwaartse en Inverse Problemen: Het trekt de lijn tussen simulatie en optimalisatie weg, waardoor een uniek, end-to-end framework ontstaat.
• Efficiëntie: Het elimineert de noodzaak voor handmatige afleiding van geadjungeerde vergelijkingen, wat tijd bespaart en fouten reduceert.
• Data-Driven Fysica: Het stelt onderzoekers in staat om "ontbrekende fysica" (zoals dispersie of wrijving) direct uit data te leren en in de solver te injecteren, in plaats van alleen pure data-gedreven modellen te gebruiken die vaak fysisch inconsistent zijn.

Beperkingen en Toekomst:
De auteurs wijzen erop dat de huidige resultaten vaak "regime-specifiek" zijn vanwege de schaarste aan trainingsdata uit laboratoriumexperimenten. Voor ware generalisatie zijn grootschalige, diversere datasets nodig. Toekomstig werk zou kunnen focussen op het pre-trainen van sub-grid correcties op synthetische data van hoge-fideliteit 3D Navier-Stokes simulaties.

Kortom, AegirJAX biedt een krachtige, flexibele brug tussen klassieke wetenschappelijk computing en moderne physics-informed machine learning voor de kusttechniek.