MATLAB-Based Layerwise Self-Adaptive Physics-Informed Neural Network in Applications to Multidimensional Coupled Burgers' Equations with High Reynolds Numbers

Resumo Técnico: Rede Neural Informada pela Física Auto-Adaptativa por Camadas Baseada em MATLAB para Equações de Burgers Acopladas Multidimensionais

Definição do Problema
O artigo aborda os desafios computacionais associados à simulação dos perfis de solução espaço-temporais de equações de Burgers acopladas multidimensionais (MCBEs) em números de Reynolds elevados. À medida que o tempo evolui, essas equações geram frentes de choque agudas e gradientes de solução íngremes. Métodos numéricos convencionais baseados em malha, como diferenças finitas e elementos finitos, enfrentam dificuldades com essas características devido à baixa estabilidade, forte dependência da malha e às proibições computacionais da "maldição da dimensionalidade", quando grades extremamente finas são necessárias. Além disso, as Redes Neurais Informadas pela Física (PINNs) padrão frequentemente falham em resolver esses problemas de alto número de Reynolds porque os termos convectivos dominantes criam um cenário de perda (loss landscape) "rígido". Essa rigidez faz com que os otimizadores estagnem em mínimos locais, impedindo que a rede capture com precisão os gradientes agudos característicos da solução.

Metodologia
Os autores propõem um framework melhorado denominado LSAAL-PINN (PINN Auto-Adaptativa por Camadas treinada com Adam e L-BFGS). A metodologia é implementada em MATLAB utilizando o Deep Learning Toolbox para diferenciação automática e é projetada para resolver CBEs de $d$ dimensões ($d=1, 2, 3$).

Componentes metodológicos principais incluem:

1. Arquitetura da Rede: Uma Rede Neural Profunda (DNN) aproxima a solução $u(x, t)$. A rede utiliza uma estrutura feedforward com $k$ camadas ocultas, empregando a função de ativação tangente hiperbólica ($\tanh$) para garantir a suavidade necessária para o cálculo de derivadas de ordem superior via diferenciação automática.
2. Pesagem Auto-Adaptativa por Camadas: Ao contrário das PINNs padrão que utilizam pesos fixos para diferentes componentes de perda, este framework emprega uma estratégia dinâmica. A função de perda total $L(\theta, \lambda)$ é uma soma ponderada do resíduo da PDE ($L_{PDE}$), do resíduo da condição inicial ($L_{IC}$) e do resíduo da condição de contorno ($L_{BC}$). Os pesos $\lambda = [\lambda_{PDE}, \lambda_{IC}, \lambda_{BC}]$ são parâmetros treináveis atualizados via ascensão de gradiente para maximizar a perda total, garantindo que nenhum termo de resíduo individual domine o processo de treinamento. Esses pesos são mapeados através de uma transformação logarítmica para manter a positividade estrita e a estabilidade numérica.
3. Otimização de Duas Fases: O processo de treinamento utiliza uma estratégia de dois estágios:
   • Fase 1 (Otimização Global): Os parâmetros da rede $\theta$ e os pesos adaptativos $\lambda$ são atualizados iterativamente usando o otimizador Adam.
   • Fase 2 (Refinamento): Os pesos adaptativos $\lambda$ são congelados, e a otimização transita para o algoritmo de segunda ordem L-BFGS para refinar a solução e acelerar a convergência para uma tolerância prescrita.
4. Amostragem: Para capturar efetivamente gradientes íngremes, o framework utiliza Amostragem de Hipercubo Latino (LHS) para gerar pontos de colocação, garantindo que os pontos sejam distribuídos próximos às regiões de transição.

Contribuições Principais e Configuração Experimental
O estudo introduz o framework LSAAL-PINN e valida sua eficácia comparando-o com duas variantes de linha de base:

• AL-PINN: PINN padrão com otimizadores Adam e L-BFGS, mas sem pesagem auto-adaptativa.
• A-PINN: PINN padrão treinada apenas com o otimizador Adam.

Os autores conduziram experimentos numéricos em equações de Burgers acopladas 1D, 2D e 3D com altos números de Reynolds (baixa viscosidade $\nu$). A precisão foi medida utilizando a norma de erro relativo $L_2$.

Resultos

• Equação de Burgers 1D: A LSAAL-PINN alcançou um erro relativo $L_2$ de $1.79 \times 10^{-4}$, superando a AL-PINN ($3.10 \times 10^{-4}$) e a A-PINN ($8.65 \times 10^{-3}$). Os resultados demonstraram que a LSAAL-PINN alinhou-se mais precisamente com a solução exata, particularmente na frente de choque.
• Equações de Burgers Acopladas 2D (Alto Número de Reynolds): Para $\nu = 0.0001$, a LSAAL-PINN forneceu resultados aproximadamente 8 vezes mais precisos que a AL-PINN e 1385 vezes mais precisos que a A-PINN para o componente de velocidade $v$ em $t=1$. A A-PINN falhou em capturar a descontinuidade do tipo choque, enquanto a LSAAL-PINN resolveu com sucesso os gradientes íngremes.
• Equações de Burgers Acopladas 3D: A LSAAL-PINN apresentou consistentemente os menores erros $L_2$ em vários níveis de tempo em comparação com as outras variantes. O framework também resolveu com sucesso as CBEs 3D com um número de Reynolds de $Re=100$, mantendo a precisão na ordem de magnitude de $10^{-3}$.
• Comportamento de Convergência: Gráficos de perda indicaram que, enquanto a A-PINN estagnou ou oscilou, a otimização de duas fases (Adam seguido de L-BFGS) tanto na AL-PINN quanto na LSAAL-PINN levou a uma redução significativa da perda. A adição da pesagem auto-adaptativa na LSAAL-PINN minimizou ainda mais a perda total em comparação com a AL-PINN.

Significância e Alegações
O artigo alega que a integração de uma estratégia de pesagem auto-adaptativa por camadas com uma abordagem de otimização de duas fases é suficiente para capturar perfis de solução de gradiente íngreme em MCBEs sem exigir estratégias de pesagem ponto a ponto computacionalmente caras. Os autores afirmam que este framework é mais eficaz, preciso e robusto do que as PINNs padrão para simular dinâmicas espaço-temporais em fluxos de alto número de Reynolds.

O estudo destaca que, enquanto a literatura existente tem se concentrado amplamente em equações de Burgers 1D com números de Reynolds moderados (frequentemente em Python), este trabalho avança o campo ao resolver com sucesso CBEs 2D e 3D com altos números de Reynolds usando uma implementação baseada em MATLAB. Os autores concluem que o framework proposto aborda efetivamente a rigidez do cenário de perda, permitindo a previsão precisa de frentes de choque agudas que os métodos padrão têm dificuldade em resolver. Sugere-se como trabalho futuro a extensão deste framework para outras equações diferenciais parciais dependentes do tempo desafiadoras.