Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

No mundo da engenharia e da física, os cientistas frequentemente enfrentam uma escolha difícil ao simular como os materiais se comportam ou como os fluidos se movem. Eles podem executar um modelo computacional altamente detalhado e em escala total que captura cada pequena nuance do mundo físico, mas esses cálculos são tão pesados que levam dias ou semanas para terminar, tornando impossível testar muitos cenários diferentes. Alternativamente, eles podem usar uma versão simplificada e mais rápida do modelo, que roda em segundos, mas esse atalho frequentemente perde detalhes importantes ou falha quando a situação se torna complicada. Durante décadas, pesquisadores tentaram resolver isso dividindo um grande problema em partes menores, atribuindo o modelo simplificado e rápido às partes fáceis e o modelo lento e detalhado às partes difíceis. No entanto, uma grande limitação permaneceu: uma vez que o computador decide qual parte recebe qual modelo, essa decisão geralmente fica travada para toda a simulação. Se uma onda de choque ou uma rachadura se mover de uma área "simples" para uma área "detalhada", a simulação pode falhar porque o modelo simplificado não consegue lidar com a complexidade repentina.

Uma equipe de pesquisadores desenvolveu uma nova maneira de permitir que o computador mude de ideia enquanto a simulação está em execução. Ao ensinar um programa de computador a agir como um gerente inteligente, eles criaram um sistema que observa a simulação em tempo real e decide instantaneamente quais partes precisam do modelo pesado e detalhado e quais podem se dar ao luxo de usar o modelo rápido e simplificado. Essa abordagem utiliza uma técnica chamada aprendizado por reforço, onde o computador aprende através de tentativa e erro, de forma muito semelhante a um jogador aprendendo um videogame, para encontrar o melhor equilíbrio entre velocidade e precisão. Os pesquisadores testaram esse sistema em dois problemas muito diferentes: um fluxo unidimensional de fluido com uma frente móvel e uma simulação tridimensional de uma viga de aço vibrando sob estresse. Eles descobriram que o computador conseguia rastrear características móveis, como uma onda viajante ou uma frente de choque, ao alternar automaticamente o modelo de alta fidelidade para a região onde ele era mais necessário. Isso permitiu que a simulação permanecesse precisa sem o custo massivo de rodar o modelo detalhado em todos os lugares, e o sistema funcionou mesmo quando foi testado em situações que nunca havia visto antes.

O cerne deste trabalho reside em um método chamado método de alternância de Schwarz sobreposto, que é uma forma de resolver um grande problema dividindo-o em pedaços menores e sobrepostos. Imagine um mapa grande que é coberto por duas folhas transparentes; as bordas das folhas se sobrepõem e as informações são passadas de uma para a outra até que a imagem esteja consistente em todo o mapa. No passado, os pesquisadores atribuíam um tipo específico de modelo matemático a cada folha e o mantinham lá. O novo método adiciona uma camada de inteligência sobre esse processo. Os pesquisadores treinaram um agente digital usando um tipo de inteligência artificial conhecido como rede Q profunda (deep Q-network). Esse agente foi exposto a milhares de diferentes cenários de simulação e aprendeu a tomar decisões com base em um sistema de recompensa. A recompensa era alta se a simulação fosse precisa e rápida, mas o agente era penalizado se mudasse de ideia desnecessariamente, o que desperdiçaria tempo. O objetivo era ensinar o agente a reconhecer quando uma característica complexa, como uma onda nítida ou uma frente móvel, estava entrando em uma área específica e mudar essa área para o modelo detalhado no momento certo.

No primeiro teste, os pesquisadores simularam um fluxo unidimensional onde uma frente nítida se movia através de um tubo. Eles configuraram a simulação com três seções sobrepostas e deram ao agente a escolha de executar o modelo detalhado ou o modelo simplificado em cada seção. O agente aprendeu a manter o modelo simplificado ativo nas partes calmas do tubo, enquanto alternava o modelo detalhado para a seção que continha a frente móvel. À medida que a frente viajava da esquerda para a direita, o agente deslocava o modelo detalhado para segui-la de forma fluida. Os resultados foram impressionantes: o sistema inteligente alcançou uma taxa de erro cinco vezes menor do que o melhor arranjo fixo de modelos, sendo também mais rápido do que usar o modelo detalhado em todos os lugares. Curiosamente, os pesquisadores também testaram uma versão onde o agente podia alterar o tamanho e a posição das seções sobrepostas elas mesmas, não apenas os modelos. Eles descobriram que essa liberdade extra não melhorou de fato os resultados; o sistema teve um desempenho melhor quando simplesmente focou em mover o modelo detalhado dentro de um layout fixo. Isso sugere que, para este tipo de problema, a capacidade de trocar modelos é o fator mais crítico, e remodelar constantemente a grade adiciona uma complexidade desnecessária.

O segundo teste passou para o mundo real da mecânica dos sólidos, usando uma simulação tridimensional de uma viga de aço dentro de um código de software especializado chamado Norma.jl. Este cenário envolvia uma onda viajando através da viga, batendo nas extremidades e movendo-se de um lado para o outro. Os pesquisadores configuraram a viga com duas e depois três seções sobrepostas, treinando o agente para atribuir os modelos detalhado ou simplificado a essas seções conforme a onda se movia. No teste de duas seções, o agente atribuiu corretamente o modelo detalhado à seção onde a onda estava localizada no momento e o modelo simplificado à seção calma. Quando a onda atingiu a extremidade da viga e refletiu, o agente imediatamente mudou o modelo detalhado para o outro lado para rastrear a onda de retorno. O mesmo comportamento ocorreu na configuração de três seções. As políticas aprendidas foram tão eficazes que reduziram o erro em mais de dez vezes em comparação com o melhor arranjo de modelo fixo, além de reduzir o tempo total de computação em vários segundos. Crucialmente, os pesquisadores testaram esses agentes treinados em novos cenários com diferentes posições iniciais e larguras de onda que não faziam parte dos dados de treinamento. Os agentes generalizaram perfeitamente, lidando com essas situações inéditas com a mesma habilidade, provando que o sistema havia aprendido uma regra geral, em vez de apenas memorizar exemplos específicos.

O estudo também destacou a importância de uma regra específica no processo de treinamento: uma penalidade por trocar de modelos com muita frequência. Sem essa penalidade, o agente tendia a alternar rapidamente entre os modelos detalhado e simplificado, o que é ineficiente e pode causar instabilidade na simulação. Ao adicionar um pequeno custo a cada troca, os pesquisadores ensinaram o agente a ser mais deliberado, mudando sua estratégia apenas quando a física da situação realmente exigia. Isso resultou em uma simulação muito mais suave e estável, que ainda mantinha alta precisão. Os pesquisadores observaram que, embora os modelos simplificados que utilizaram fossem pré-treinados e fixos, a capacidade de alterná-los online é um passo significativo. Eles reconheceram que trabalhos futuros poderiam envolver a atualização dos modelos simplificados em tempo real conforme novos dados chegam, mas, por enquanto, a capacidade de escolher dinamicamente a ferramenta certa para o trabalho certo no momento certo provou ser uma maneira poderosa de tornar as simulações complexas mais rápidas e confiáveis.

Em última análise, esta pesquisa demonstra que a inteligência artificial pode ser usada para gerenciar o equilíbrio entre velocidade e precisão na computação científica. Ao permitir que um computador aprenda quando usar um modelo pesado e quando confiar em um modelo leve, os engenheiros podem simular eventos complexos e variáveis sem esperar dias pelos resultados. O sistema não precisa ser retreinado para cada novo problema; uma vez que aprende os princípios gerais de como equilibrar precisão e custo, ele pode aplicar esse conhecimento a novas situações que nunca encontrou. Isso abre as portas para uma otimização de design mais rápida e uma melhor compreensão de sistemas físicos, desde o fluxo de fluidos até a vibração de estruturas, tornando as simulações de alta fidelidade práticas para problemas que anteriormente eram caros demais ou lentos demais para serem resolvidos.