Technique numérique qui obtient les sensibilités (gradients) d'un ou quelques objectifs scalaires ou contraintes par rapport à un grand nombre de variables de conception ou de commande en résolvant un problème adjoint (linéarisé, transposé) dérivé des équations gouvernantes ; le coût de calcul du gradient complet est approximativement indépendant du nombre de variables de conception et évolue avec le nombre d'objectifs (une résolution adjointe par objectif) plus le coût de la solution primaire.

Principe

La linéarisation du modèle direct (primaire) et la formulation de son adjoint établissent une relation selon laquelle le produit scalaire du champ adjoint avec les variations de paramètres fournit la sensibilité souhaitée ; ainsi une seule solution adjointe encode l'information de gradient pour tous les paramètres simultanément, rendant l'évaluation du gradient en grande partie indépendante du nombre de paramètres.

Démonstration

Scénario illustratif → Optimisation de forme aérodynamique : résoudre les équations de Navier–Stokes stationnaires (primaire) pour une aile, dériver et résoudre les équations adjointes correspondantes pour un objectif de portance ou trainée, puis calculer les sensibilités de cet objectif par rapport à des milliers de degrés de liberté de forme de surface via des produits scalaires du champ adjoint avec les opérateurs de variation géométrique. Reconnaissance → le champ adjoint localise les régions où les perturbations affectent le plus l'objectif ; Action → utiliser le gradient pour mettre à jour la forme dans un optimiseur à base de gradient ; Conséquence → optimisation dimensionnelle élevée réalisable plus efficacement que par différences finies ou différenciation directe qui croissent avec le nombre de variables.

Mauvaise application

Considérer les gradients adjoints automatiquement corrects lorsque le problème direct est non différentiable, fortement discontinu (p. ex. bifurcation, séparation induite par choc), ou lorsque l'adjoint est implémenté de façon inconsistante avec la discrétisation du primaire (mismatch continuous/discrete). L'erreur sémantique consiste à assumer l'applicabilité de l'adjoint sans vérifier différentiabilité et cohérence adjoint‑primaire.

Conséquence

Les méthodes adjointes rendent possibles l'optimisation par gradients et les études de sensibilité dans des espaces de conception très dimensionnels en réduisant substantiellement le coût ; toutefois, elles transfèrent la complexité à la dérivation, au codage et à la validation de l'adjoint et fournissent des gradients trompeurs si les hypothèses du modèle (différentiabilité, linéarisation correcte, traitement cohérent des conditions aux limites) sont violées.

Inversion

Lorsque les objectifs sont non différentiables, stochastiques, ou lorsque de très nombreux objectifs existent (le coût augmente avec le nombre d'objectifs), l'efficacité de l'adjoint diminue ou devient inapplicable ; des approches alternatives (lissage, méthodes par ensemble, différentiation algorithmique soignée ou méthodes sans dérivées) peuvent être nécessaires.

Limite

Clairement dans le champ : modèles directs déterministes et différentiables (continus ou discrétisés) où la dérivation et l'implémentation de l'adjoint peuvent être rendues cohérentes avec le solveur primaire et où le nombre d'objectifs est faible par rapport au nombre de paramètres. Cas limite : problèmes à non linéarité modérée ou discontinuités faibles où les gradients adjoints sont informatifs mais exigent validation. Clairement hors champ : solveurs boîte noire sans accès aux dérivées, objectifs non différentiables, ou contextes où le nombre d'objectifs rend les résolutions adjointes impraticables.

Tension sémantique

Efficacité de Calcul ↔ Complexité d'Implémentation — les méthodes adjointes offrent un fort gain d'échelle pour gradients à nombreux paramètres au prix d'une dérivation mathématique et d'une implémentation logicielle substantielles et d'une sensibilité aux incohérences de modélisation.

Synthèse

L'analyse adjointe transforme l'échelle computationnelle de l'évaluation des gradients, passant d'une dépendance au nombre de variables à une dépendance au nombre d'objectifs, rendant l'optimisation en espaces de grande dimension praticable pour des modèles différentiables — mais tirer parti de cet avantage exige une dérivation soignée, une discrétisation cohérente et une validation de l'adjoint.