IKNO pour Navier-Stokes : précis sous rotation et 5,6 fois moins de paramètres que TFN

Un modèle de substitution neuronal pour des équations aux dérivées partielles (EDP) peut très bien s'ajuster aux données d'entraînement et pourtant donner des réponses différentes pour un même état physique dès qu'on change l'orientation du système de coordonnées. Un nouvel article publié sur arXiv propose une architecture qui ne souffre pas de ce défaut par construction. L'Invariant-Conditioned Isotropic Kernel Neural Operator, ou IKNO, prédit la dynamique de Navier-Stokes en trois dimensions sur des points répartis de façon irrégulière. Sa cohérence sous rotation se maintient jusqu'à la précision numérique. En précision, le modèle se compare à la Tensor Field Network, un réseau généraliste sensible aux rotations, avec 5,6 fois moins de paramètres.

Où les modèles de substitution classiques échouent

Le problème se pose ainsi. On dispose d'un nuage de points en 3D, avec une vitesse enregistrée en chaque point. Le modèle doit prédire comment la vitesse évoluera au pas suivant. La physique est isotrope : si l'on fait pivoter à la fois les positions et les vitesses, la variation de vitesse doit pivoter de la même façon. C'est l'équivariance par rapport au groupe SO(3).

Un réseau de graphe classique l'ignore. Il traite les coordonnées et les composantes des vecteurs comme de simples séries de nombres, et peut apprendre une dépendance à une orientation donnée. Les auteurs ont testé le remède habituel, à savoir l'entraînement sur des exemples tournés aléatoirement. Il réduit la dépendance au système de coordonnées, mais ne la supprime pas complètement. Une erreur résiduelle subsiste, même avec augmentation de données.

Comment fonctionne IKNO

L'idée repose sur une séparation des rôles. Le modèle construit les interactions locales entre points voisins à partir de deux types de grandeurs :

• des scalaires qui ne changent pas sous rotation (par exemple les distances et les produits scalaires) ;
• des directions vectorielles qui tournent avec les données.

Les scalaires déterminent l'intensité de l'interaction, et les vecteurs son orientation. Le noyau est isotrope : par construction, la sortie pivote avec l'entrée. Cette propriété est inscrite dans l'architecture, elle n'est pas apprise à partir des données.

Comme le modèle est spécialisé pour les EDP vectorielles, il n'a pas besoin de l'appareil lourd des réseaux équivariants généralistes. La Tensor Field Network, qui travaille avec des représentations tensorielles du groupe des rotations, convient à un large éventail de tâches, mais le paie en taille.

Ce que montrent les mesures

L'évaluation a été menée sur un jeu de test réservé, figé une fois la conception du modèle terminée. Cela réduit le risque d'ajuster l'architecture au test.

• Cohérence sous rotation d'IKNO : jusqu'à la précision numérique.
• Modèles de graphe non contraints, entraînés avec augmentation par rotations : la dépendance diminue, mais subsiste.
• Précision des prédictions : au niveau de la Tensor Field Network.
• Taille : 5,6 fois moins de paramètres que TFN.
• Face à un simulateur à base de graphe avec le même nombre de paramètres : IKNO l'emporte.

Ce dernier point compte pour une comparaison honnête. Le gain ne vient pas de la taille du modèle, mais de la symétrie intégrée.

Applications et limites

Pour ceux qui conçoivent des modèles de substitution en CFD, en météorologie, en simulation de particules ou en robotique, la conclusion est pratique. Si un problème possède une symétrie connue, mieux vaut l'inscrire dans l'architecture que d'espérer que l'augmentation de données la fasse apprendre. La garantie d'équivariance exacte simplifie aussi la validation : inutile de passer le modèle sur une grille d'orientations pour vérifier que la réponse ne dérive pas.

Les limites ressortent elles aussi de l'abstract. Les résultats portent sur une seule famille de problèmes, la dynamique de Navier-Stokes en trois dimensions. L'affirmation sur les modèles compacts spécialisés en EDP n'est confirmée, pour l'instant, que sur ce cas. La description ne permet pas de dire comment l'architecture se comportera avec des conditions aux limites, des milieux anisotropes ou d'autres équations. Là où la physique brise elle-même la symétrie de rotation (par exemple à cause de la gravité ou de parois), une équivariance SO(3) pure demandera des adaptations.

La tendance générale est claire. Pour les modèles de substitution scientifiques, un modèle spécialisé et petit, doté de la bonne symétrie, peut remplacer un modèle universel et lourd sans perte de qualité.