Neural Operators

Les opérateurs neuronaux sont des réseaux de neurones qui apprennent des correspondances entre des fonctions ou des champs entiers, plutôt qu'entre des vecteurs de longueur fixe. Par exemple, ils peuvent transformer un champ de pression du vent en un champ d'écoulement de l'air futur, ou une géométrie de matériau en sa distribution des contraintes. Cela les rend particulièrement utiles comme modèles de substitution rapides pour les simulations régies par des équations différentielles partielles, ou PDEs. Une synthèse de 2024 publiée dans Nature Reviews Physics met en évidence leur rôle croissant dans l'accélération des simulations scientifiques, de la prévision et de la conception technique. (nature.com)

Fonctionnement des opérateurs neuronaux#

Un réseau conventionnel apprend une correspondance de dimension finie, par exemple entre des pixels et des étiquettes de classes. Un opérateur neuronal apprend à la place 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 gardant un nombre de paramètres appris indépendant de la résolution. L'introduction à NeuralOperator explique comment cela permet d'effectuer des prédictions sur des discrétisations différentes de celles des données d'entraînement. (nature.com)

Les architectures courantes incluent :

• Fourier Neural Operator : applique une convolution globale dans l'espace fréquentiel, généralement à l'aide de l'API de transformée de Fourier rapide de PyTorch. Les FNOs fonctionnent particulièrement bien avec des champs physiques disposés sur des grilles régulières.
• 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 réseaux de neurones de graphes aux maillages irréguliers et aux géométries complexes.
• Transformers 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 transforme deux champs d'entrée en 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 documentation officielle de NeuralOperator pour PyTorch fournit également des jeux de données, des fonctions de perte, des entraîneurs et des architectures tenant compte de la géométrie. (neuraloperator.github.io)

Développements récents#

La recherche considère de plus en plus les opérateurs neuronaux comme des modèles de fondation scientifiques. Le modèle de fondation PDE Poseidon a démontré un transfert sur 15 tâches PDE 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 des principes pratiques de conception des opérateurs neuronaux, mettant l'accent sur les calculs tenant compte des coordonnées, les nombres fixes de paramètres et la convergence des discrétisations. (proceedings.neurips.cc)

Applications concrètes#

• Réduction d'échelle climatique : Une étude JMLR de 2024 sur la réduction d'échelle climatique à résolution arbitraire a utilisé des FNOs pour transformer des simulations climatiques grossières en champs à plus haute résolution, permettant une analyse détaillée d'images satellite. (jmlr.org)
• Prévision météorologique : Les opérateurs neuronaux multigrilles sphériques modélisent la dynamique atmosphérique mondiale tout en respectant la géométrie de la Terre, en complément de l'analyse conventionnelle des séries temporelles.
• Contrôle technique : Les opérateurs neuronaux peuvent approximer rapidement des solutions de commande par rétroaction pour des paramètres de système variables, favorisant des jumeaux numériques réactifs et l'automatisation industrielle.

Opérateurs neuronaux et vision par ordinateur#

Les opérateurs neuronaux modélisent des champs continus en évolution, tandis que les modèles de vision par ordinateur 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 l'écoulement des fluides, le transfert thermique, la déformation ou un autre champ futur. Les jeux de données, l'entraînement et le déploiement liés à la vision 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 entraîner le modèle sur plusieurs résolutions, à le comparer à des solveurs numériques de référence et à évaluer à la fois son comportement en interpolation et hors distribution. Les opérateurs neuronaux accélèrent les simulations, mais ne doivent pas remplacer la validation physique dans les systèmes critiques pour la sécurité.