Neural-operator element method

La vidéo présente la méthode des éléments à opérateur neuronal (NOEM), développée par Weihang Ouyang et ses collègues de l’Université Yale. L’objectif est de combiner les avantages de la méthode des éléments finis (FEM) et de l’apprentissage automatique pour résoudre efficacement des équations aux dérivées partielles (EDP) sur des domaines complexes. La FEM est précise et fiable mais coûteuse en calcul pour les systèmes à grande échelle avec des sous-domaines complexes. L’apprentissage automatique, notamment les opérateurs neuronaux, offre une inférence rapide mais souffre de coûts d’entraînement élevés et d’une réutilisabilité limitée. NOEM propose de remplacer les sous-domaines nécessitant un maillage fin par des opérateurs neuronaux pré-entraînés, appelés éléments à opérateur neuronal (NOE), tout en conservant des éléments finis standard pour le reste du domaine. La solution est obtenue par minimisation de l’énergie, en assemblant les contributions des éléments finis et des NOE. L’exposé détaille le cadre mathématique, un exemple pédagogique en 1D, et aborde des questions sur la généralisation des opérateurs, l’assemblage des matrices, et la continuité C0. La méthode est illustrée par des expériences numériques sur des EDP non linéaires, des problèmes multi-échelles, des géométries complexes et des coefficients discontinus.