L’une des plus grandes ambitions de la science computationnelle est d’observer un système complexe, un fluide turbulent, une réaction chimique, un écosystème, et d’en extraire les règles mathématiques qui régissent son comportement. C’est ce qu’on appelle la « découverte d’équations » ou la « régression symbolique », et elle est poursuivie depuis des décennies. Le défi est que les données du monde réel sont bruyantes, multi-échelles et incomplètes. Les méthodes classiques comme SINDy (Identification parcimonieuse de dynamiques non linéaires) échouent en présence de bruit même modeste. Les approches par réseaux de neurones, bien que robustes, produisent des boîtes noires : elles peuvent prédire mais ne peuvent pas expliquer.
Une équipe de l’Institut d’automatisation de Shenyang, relevant de l’Académie chinoise des sciences, a maintenant développé un cadre qui combine le meilleur des deux mondes. Appelé PK-MCL (Physics-Koopman Multi-scale Contrastive Learning — Apprentissage contrastif multi-échelle de Koopman physique), il peut extraire des équations directrices propres et physiquement interprétables à partir de données contaminées par jusqu’à 10 % de bruit, y compris des régions spatiales manquantes et des lacunes temporelles. Les travaux ont été publiés le 13 juillet dans Nature Communications.
« Notre cadre déplace le problème de l’ajustement statique de courbes vers l’inférence dynamique contrainte », a déclaré l’auteur correspondant Xiaofeng Zhou. « L’équation que vous récupérez doit non seulement correspondre aux données d’entraînement, mais aussi produire des prédictions stables et physiquement significatives sur de longs horizons temporels. »
Trois modules
PK-MCL intègre trois composants. Le premier est un opérateur neuronal de Koopman multi-échelle qui décompose le champ d’entrée en différentes bandes de fréquences à l’aide de transformées de Fourier, essentiellement, séparant les dynamiques rapides et lentes, et fait évoluer chaque bande linéairement dans un espace latent appris. Cette décomposition spectrale est essentielle pour les systèmes dans lesquels différents processus physiques opèrent sur différentes échelles de temps, comme les réactions chimiques intégrées dans un fluide en écoulement.
Le deuxième composant est une projection parcimonieuse guidée par la physique qui contraint l’équation de sortie à être composée d’un petit nombre de termes physiquement significatifs provenant d’une bibliothèque pré-spécifiée, polynômes, dérivées spatiales et autres éléments de base interprétables. Cela est intégré directement dans le processus d’entraînement, et non appliqué comme une correction a posteriori, de sorte que le réseau de neurones est explicitement guidé vers l’identification d’équations compactes dès le départ.
Le troisième composant est une régularisation de cohérence multi-vues, empruntée à l’apprentissage auto-supervisé (l’architecture BYOL), qui force le modèle à produire des représentations invariantes à travers différentes perturbations de l’entrée, masquage, injection de bruit, abandon temporel. Cela améliore considérablement la robustesse.
Les trois composants sont entraînés conjointement à travers une fonction de perte unique qui équilibre la précision de prédiction, la parcimonie de l’équation et la cohérence de la représentation.
Références
Les chercheurs ont testé PK-MCL sur une batterie de systèmes canoniques : l’équation de Burgers (un modèle d’advection-diffusion non linéaire), le système de réaction-diffusion bidimensionnel de FitzHugh-Nagumo et l’équation de vorticité bidimensionnelle de Navier-Stokes. Dans tous les cas, PK-MCL a retrouvé les équations directrices correctes avec une haute fidélité, même sous 10 % de bruit de mesure, des conditions dans lesquelles le SINDy classique et ses variantes s’effondrent complètement.
Le cadre a également démontré des prédictions stables à long horizon, maintenant la précision sur des centaines de pas de temps, et s’est généralisé à des conditions initiales et des régimes opérationnels non vus. Sur le benchmark Navier-Stokes, il a préservé les structures de vortex à grande échelle et la cascade d’énergie que les lignes de base n’ont pas réussi à capturer.
Au-delà des benchmarks synthétiques, l’équipe a validé PK-MCL sur des données de capteurs réelles provenant d’un circuit de broyage et de classification industriel, un système de traitement minéral avec huit variables mesurées, bruit de capteur et échantillons manquants. Le cadre a extrait des relations physiquement significatives entre les variables qui correspondaient au comportement connu de l’installation.
Ce qui le rend interprétable
Contrairement à un réseau de neurones standard, PK-MCL produit un ensemble parcimonieux de coefficients qui correspondent directement à des termes mathématiques interprétables : advection, diffusion, taux de réaction. L’utilisateur n’obtient pas seulement une prédiction, il obtient une équation. Et la décomposition spectrale révèle quelles bandes de fréquences gouvernent quels phénomènes, fournissant ainsi un aperçu physique supplémentaire.
Plusieurs réserves s’appliquent. La méthode nécessite une bibliothèque pré-spécifiée de termes candidats ; si la véritable équation directrice utilise des fonctions qui ne sont pas dans la bibliothèque, la récupération échouera. Les benchmarks sont limités à des systèmes unidimensionnels et bidimensionnels ; les problèmes tridimensionnels seraient exigeants en calcul. Et le cadre n’a pas encore été testé sur des systèmes avec discontinuités ou bruit stochastique. L’article est publié comme un manuscrit préliminaire, avant la révision finale.
Néanmoins, PK-MCL représente une étape significative vers l’objectif de la découverte scientifique automatisée : alimenter une machine avec des données brutes et obtenir en retour une équation concise et lisible par l’homme qui fait progresser la compréhension de la physique sous-jacente. Pour des domaines allant de la science du climat à la biologie des systèmes en passant par l’ingénierie, cette capacité pourrait transformer la façon dont les modèles sont construits.
Traduit par Lydie
Source: Jia, D., Li, S., Zuo, X. et al. “From data chaos to physically interpretable deterministic mapping.” Nature Communications (2026). DOI: 10.1038/s41467-026-75164-9