Apprentissage profond par graphes encodé en physique pour les systèmes de diffusion

Apprentissage profond par graphes encodé en physique pour les systèmes de diffusion

Les phénomènes de diffusion sont fondamentaux en physique, en ingénierie et en biologie, mais leur simulation par les méthodes numériques classiques est coûteuse en calcul pour les systèmes complexes. Si l'apprentissage profond offre des perspectives prometteuses, les approches dominantes comme le réseau de neurones informé par la physique (PINN) souffrent d'une généralisation limitée et d'une accumulation d'erreurs, surtout avec des données éparses ou des géométries irrégulières. Nous proposons ici un réseau de neurones à graphe encodé en physique (PeMN) qui intègre le mécanisme de passage de messages du graphe aux principes de la géométrie différentielle discrète. En encodant explicitement dans l'architecture du réseau des opérateurs différentiels tels que le laplacien et le gradient pour la discrétisation spatiale, PeMN réduit la non-linéarité de l'approximation fonctionnelle tout en imposant le strict respect des lois physiques.

Les équations de diffusion sont des modèles mathématiques fondamentaux décrivant l'évolution spatiale et temporelle de grandeurs physiques telles que la chaleur, la masse et la quantité de mouvement. Ces équations aux dérivées partielles (EDP) sont largement employées dans de nombreuses disciplines, notamment la physique, l'ingénierie et la biologie, pour caractériser des processus dynamiques spatio-temporels complexes comme les réactions chimiques, la dynamique des fluides et le changement climatique. Une simulation précise des processus de diffusion est donc essentielle pour optimiser les conceptions, évaluer les risques et éclairer la prise de décision.

Cependant, la simulation des systèmes de diffusion par les méthodes numériques traditionnelles, telles que la méthode des éléments finis (FEM) ou des volumes finis, se heurte à une série de difficultés. Le principal problème est le coût de calcul élevé du traitement de problèmes de grande taille et de haute dimension, en particulier dans les scénarios exigeant de nombreuses simulations répétées, comme l'optimisation de conception, les problèmes inverses et la quantification des incertitudes. De plus, pour les problèmes de diffusion aux conditions aux limites complexes et aux caractéristiques non linéaires, la stabilité et la convergence des méthodes numériques sont particulièrement délicates, ce qui exige une conception d'algorithme et un réglage des paramètres soigneux. Avec l'augmentation de la puissance de calcul, les méthodes d'apprentissage profond offrent une nouvelle voie pour relever ces défis : ces modèles sont capables d'apprendre des motifs spatio-temporels complexes à partir des données et de produire des prédictions rapides à un coût de calcul nettement moindre.