Apprentissage Profond Informé par la Physique

Les PINNs fonctionnent en approximant la solution d'une EDP à l'aide d'un réseau neuronal profond. L'innovation clé réside dans la définition d'une fonction de perte qui inclut non seulement la divergence entre les prédictions du réseau et les données observées (si disponibles), mais aussi un terme qui pénalise la violation de l'EDP elle-même. Ceci est réalisé grâce à la différenciation automatique, où la sortie du réseau est différenciée par rapport à ses entrées (par exemple, le temps et les coordonnées spatiales) pour calculer les termes de l'EDP. En minimisant cette perte combinée, le réseau est entraîné à satisfaire à la fois les données et les contraintes physiques.

Le cadre prend en charge deux classes principales de problèmes : la solution basée sur les données et la découverte basée sur les données d'EDP. Pour résoudre les EDP, les PINNs peuvent déduire des solutions même avec des données éparses en exploitant la structure de l'EDP. Pour la découverte, ils peuvent identifier les paramètres d'EDP inconnues à partir de données observées. Deux approches algorithmiques distinctes sont présentées : les modèles à temps continu, qui utilisent des points de collocation dans tout le domaine spatio-temporel pour appliquer les contraintes d'EDP, et les modèles à temps discret, qui exploitent des schémas d'intégration temporelle classiques comme les méthodes de Runge-Kutta pour construire des représentations de réseaux neuronaux plus structurées, réduisant potentiellement le besoin de points de collocation étendus dans des dimensions supérieures.

Les exemples fournis incluent la résolution et la découverte de paramètres pour l'équation de Burgers, l'équation de Schrödinger, les équations de Navier-Stokes, l'équation d'Allen-Cahn et l'équation de Korteweg-de Vries (KdV). Ces exemples démontrent la polyvalence des PINNs dans la gestion de divers types de non-linéarités, de conditions aux limites (y compris les solutions périodiques et à valeurs complexes) et de dérivées d'ordre supérieur. La capacité à retrouver des paramètres inconnus d'EDP à partir de données limitées constitue une avancée significative pour la découverte scientifique et les applications d'ingénierie.

Le public cible des PINNs comprend les chercheurs, les ingénieurs et les scientifiques des données travaillant avec des systèmes physiques, la dynamique des fluides, la science des matériaux et tout domaine où les équations différentielles jouent un rôle crucial. La proposition de valeur réside dans sa capacité à fournir des solutions précises avec moins de données, à découvrir les équations régissant les phénomènes, et à créer des modèles substituts différentiables qui peuvent être analysés et optimisés davantage.