Neural Operators

Les opérateurs neuronaux sont des neural networks qui apprennent des correspondances entre des fonctions ou des champs entiers plutôt qu'entre des vecteurs de taille fixe. Par exemple, ils peuvent associer un champ de pression du vent à un champ de flux d'air futur ou une géométrie de matériau à sa distribution de contraintes. Cela les rend particulièrement utiles comme modèles de substitution rapides pour les simulations régies par des équations aux dérivées partielles, ou EDP. Une 2024 Nature Reviews Physics overview met en évidence leur rôle croissant dans l'accélération de la simulation scientifique, de la prévision et de la conception en ingénierie. (nature.com)

Link to this sectionComment fonctionnent les opérateurs neuronaux#

Un réseau conventionnel apprend une correspondance de dimension finie, telle que des pixels vers des étiquettes de classe. Un opérateur neuronal apprend quant à lui une règle réutilisable de fonction à fonction. Les architectures sont conçues pour accepter des champs échantillonnés sur des grilles ou des nuages de points tout en maintenant le nombre de paramètres appris indépendant de la résolution. L'introduction NeuralOperator introduction explique comment cela permet d'effectuer des prédictions sur des discrétisations différentes des données d'entraînement. (nature.com)

Les architectures courantes incluent :

• Fourier Neural Operator : Applique une convolution globale dans l'espace fréquentiel, généralement en utilisant l'PyTorch fast Fourier transform API. Les FNO fonctionnent particulièrement bien avec des champs physiques régulièrement maillés.
• DeepONet : Combine un réseau qui encode la fonction d'entrée avec un autre qui évalue la sortie aux coordonnées demandées.
• Opérateurs neuronaux de graphes : Étendent les concepts des graph neural networks aux maillages irréguliers et aux géométries complexes.
• Transformeurs d'opérateurs : Adaptent l'architecture transformer aux champs continus et aux interactions physiques à longue portée.

Cet exemple exécutable crée un petit FNO 2D et associe deux champs d'entrée à un champ de sortie :

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

La NeuralOperator PyTorch documentation officielle fournit également des jeux de données, des fonctions de perte, des entraîneurs et des architectures adaptées à la géométrie. (neuraloperator.github.io)

Link to this sectionDéveloppements récents#

La recherche considère de plus en plus les opérateurs neuronaux comme des foundation models scientifiques. Le Poseidon PDE foundation model a démontré le transfert sur 15 tâches d'EDP en aval, tandis que les opérateurs neuronaux de Laplace ont amélioré la gestion des systèmes transitoires et non périodiques. En juillet 2026, des chercheurs ont publié de practical neural operator design principles, mettant l'accent sur le calcul conscient des coordonnées, les nombres de paramètres fixes et la convergence de la discrétisation. (proceedings.neurips.cc)

Link to this sectionApplications concrètes#

• Redimensionnement climatique : Une 2024 JMLR study on arbitrary-resolution climate downscaling a utilisé des FNO pour transformer des simulations climatiques grossières en champs de plus haute résolution, facilitant l'satellite image analysis détaillée. (jmlr.org)
• Prévision météorologique : Les Spherical multigrid neural operators modélisent la dynamique atmosphérique globale tout en respectant la géométrie de la Terre, complétant l'time-series analysis conventionnelle.
• Contrôle en ingénierie : Les opérateurs neuronaux peuvent approximer rapidement des solutions de contrôle par rétroaction pour des paramètres système changeants, soutenant des digital twins réactifs et l'automatisation industrielle.

Link to this sectionOpérateurs neuronaux et vision par ordinateur#

Les opérateurs neuronaux modélisent des champs continus en évolution, tandis que les modèles de computer vision reconnaissent généralement des objets ou des structures dans des images. Ils peuvent fonctionner ensemble : Ultralytics YOLO26 peut extraire la géométrie ou les états physiques à partir de données de caméra, après quoi un opérateur neuronal prédit le flux de fluides, le transfert thermique, la déformation ou un autre champ futur. Les jeux de données de vision, l'entraînement et le déploiement peuvent être gérés via Ultralytics Platform.

La bonne pratique consiste à normaliser les champs physiques, à conserver les coordonnées et les conditions aux limites, à s'entraîner sur plusieurs résolutions, à comparer avec des solveurs numériques fiables et à évaluer à la fois l'interpolation et le comportement hors distribution. Les opérateurs neuronaux accélèrent la simulation mais ne doivent pas remplacer la validation physique dans les systèmes critiques pour la sécurité.