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

Resumo Técnico: Regressão Simbólica Assistida por ASP em Mecânica dos Fluidos

Enunciado do Problema
A modelagem em mecânica dos fluidos enfrenta uma dicotomia entre a Dinâmica dos Fluidos Computacional (CFD) tradicional, que é fisicamente transparente mas computacionalmente dispendiosa, e as abordagens modernas de Aprendizado de Máquina (ML), que oferecem eficiência mas frequentemente carecem de interpretabilidade (comportamento de "caixa preta"). Embora a Regressão Simbólica (SR) tenha surgido como uma alternativa promissora capaz de descobrir expressões matemáticas interpretáveis a partir de dados, modelos de SR puramente orientados por dados correm o risco de gerar equações que são estatisticamente precisas, mas fisicamente implausíveis. Elas podem violar restrições específicas do domínio ou leis físicas fundamentais porque operam sem conhecimento explícito da física subjacente. Este estudo aborda o desafio de modelar o escoamento laminar tridimensional (3D) em um canal retangular, focando especificamente na derivação de fórmulas compactas e interpretáveis para os campos de velocidade axial e pressão que sejam tanto precisas quanto fisicamente consistentes.

Metodologia
A pesquisa emprega uma metodologia de duas frentes: uma abordagem padrão de Regressão Simbólica seguida por um framework híbrido inovador que integra Programação por Conjuntos de Respostas (ASP).

1. Geração de Dados e Configuração:

   • O problema físico envolve escoamento laminar 3D em um duto retangular simétrico ($L=5, H=W=1$).
   • As equações governantes são as equações de Navier-Stokes adimensionalizadas e a conservação da massa.
   • Soluções numéricas são geradas usando o Método dos Volumes Finitos (FVM) implementado em MATLAB com uma malha de $50 \times 25 \times 25$.
   • O escoamento é impulsionado por um gradiente de pressão constante na direção do fluxo ($c$), que serve como parâmetro de controle primário. Um número de Reynolds efetivo ($Re$) é calculado a posteriori a partir da solução numérica para servir como um parâmetro de controle escalar para os modelos de SR.
   • Os conjuntos de dados incluem conjuntos de treinamento ($Re \in \{34, 105, 174, 209, 279\}$) e teste ($Re \in \{70, 139, 244\}$).

2. Fase de Regressão Simbólica (SR):

   • A biblioteca PySR (v0.19.4) é usada para descobrir expressões simbólicas para a velocidade axial ($u$) e pressão ($p$) como funções das coordenadas espaciais ($X, Y, Z$) e $Re$.
   • Primitivas: O espaço de busca é restrito a operadores motivados pelo domínio: aritmética básica ($+, -, *, /$) e polinômios de baixa ordem (quadrado, cubo).
   • Restrições: Para garantir interpretabilidade, a complexidade da expressão é limitada a 25 operações. Restrições aninhadas previnem funções de alta ordem redundantes.
   • Otimização: Os modelos são evoluídos ao longo de 1000 iterações para minimizar o Erro Quadrático Médio (MSE), gerando uma frente de Pareto de soluções que equilibram precisão e simplicidade.

3. Fase Híbrida SR/ASP:

   • Para abordar a limitação de modelos puramente orientados por dados, os autores integram SR com Programação por Conjuntos de Respostas (ASP), um paradigma de programação declarativa para satisfação de restrições.
   • Fluxo de Trabalho: A SR gera equações candidatas. Estas são analisadas em fatos (por exemplo, complexidade, perda, presença de termos específicos como $Re$ ou $Y^2$).
   • Filtragem: Um programa ASP codifica restrições físicas específicas do domínio (por exemplo, exclusão de termos não físicos como $X^3$ ou $Y^3$, exigência de inclusão de $Re$, adesão às condições de contorno de não deslizamento e requisitos de simetria).
   • Resolução: Um solucionador ASP (CLASP) processa esses fatos e restrições para filtrar a saída da SR, retendo apenas equações que são estatisticamente precisas e fisicamente válidas.

Principais Contribuições

• Derivação de Leis Físicas Compactas: O estudo deriva com sucesso equações simbólicas explícitas e de forma fechada para a velocidade e pressão do escoamento laminar 3D que correspondem estreitamente às soluções numéricas e às tendências analíticas estabelecidas.
• Integração Inovadora SR/ASP: O artigo apresenta, segundo o conhecimento dos autores, o primeiro esforço para combinar Regressão Simbólica com Programação por Conjuntos de Respostas. Este framework híbrido aproveita o poder generativo da SR e o raciocínio declarativo do ASP para garantir que os modelos derivados aderam aos princípios físicos.
• Validação de Robustez: A abordagem é validada através da injeção de ruído (2% de ruído adicionado aos dados) e expansão do conjunto de operadores (incluindo funções trigonométricas/exponenciais), demonstrando que as relações polinomiais descobertas são reflexos genuínos da física do escoamento e não artefatos do espaço de busca.

Resultados

• Modelo de Velocidade: O modelo de SR derivou a equação $u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$. Esta expressão captura o perfil de velocidade parabólico esperado. Ela alcançou um Erro Absoluto Médio Normalizado (NMAE) de 0,008% no conjunto de treinamento e 0,010% no conjunto de teste.
• Modelo de Pressão: A equação de pressão derivada é $p_{symb} = Re(143.43 - 28.69 X)$, refletindo uma queda de pressão linear. Este modelo alcançou um NMAE na faixa de $10^{-8}\%$, indicando alinhamento quase perfeito com os dados numéricos.
• Comparação com a Literatura: A equação de velocidade derivada aproxima-se estreitamente da solução analítica para dutos retangulares encontrada na literatura (por exemplo, $u \propto (1-4y^2)(1-4z^2)$), com discrepâncias menores atribuídas aos dados numéricos de resolução finita.
• Filtragem ASP: Em um exemplo representativo, o módulo ASP filtrou com sucesso uma frente de Pareto de 14 equações. Selecionou os candidatos mais precisos e fisicamente válidos (incluindo a equação de velocidade final) em aproximadamente 0,1 segundos, um tempo negligenciável comparado aos 15 minutos necessários para a fase de treinamento da SR. A filtragem excluiu com sucesso equações que violavam simetria ou condições de contorno.

Significado e Alegações
O artigo afirma que a metodologia proposta SR/ASP demonstra o potencial de combinar abordagens orientadas por dados e de representação de conhecimento para aprimorar a interpretabilidade, confiabilidade e alinhamento físico dos modelos de IA em dinâmica dos fluidos.

• Interpretabilidade: Ao contrário dos modelos de ML de "caixa preta", as equações resultantes são legíveis por humanos e revelam a física subjacente (velocidade parabólica, queda de pressão linear).
• Confiabilidade: Ao integrar ASP, o framework garante que os modelos não apenas se ajustem aos dados, mas também respeitem restrições específicas do domínio, prevenindo a seleção de equações fisicamente impossíveis.
• Eficiência: As expressões simbólicas derivadas servem como substitutos eficientes para métodos numéricos computacionalmente intensivos, oferecendo previsões rápidas e precisas.

Os autores mantêm um tom modesto quanto às implicações futuras, observando que, embora o estudo atual se concentre em uma geometria específica de canal 3D, o framework é generalizável. Eles sugerem que trabalhos futuros poderiam envolver a integração de polinômios de Chebyshev nos operadores de SR e o uso de Modelos de Linguagem Grandes para derivar automaticamente restrições ASP a partir de descrições em linguagem natural do conhecimento do domínio.