Hybridation Simulation Apprentissage (HSA), tel est le nom du projet de recherche industriel que vient de lancer l’Institut de recherche technologique SystemX et qui vise à étudier comment “hybrider” simulations physiques et méthodes d'apprentissage numérique. ...En d’autres termes, comment les programmes de calcul industriels et les modèles obtenus par apprentissage peuvent s'enrichir mutuellement. Cette problématique, qui fait partie du programme de recherche Intelligence artificielle et ingénierie augmentée (IA2) lancé par SystemX le mois dernier, va se concrétiser sous la forme d’un projet de R&D collaboratif d'une durée de 48 mois, réunissant autour de cas d'usage concrets cinq industriels (Airbus, Air Liquide, EDF, RTE et SNCF) et trois laboratoires de recherche (l'équipe Tau de l’Inria Saclay, le LIP6 de Sorbonne Université et le LIMSI du CNRS).
La simulation numérique est aujourd'hui un outil indispensable dans la conception et le pilotage temps réel des systèmes physiques. Mais dans un contexte de plus en plus complexe intégrant plusieurs disciplines et acteurs, les processus de simulation doivent évoluer afin d'améliorer la qualité des décisions prises en conception et en opérationnel. A ces fins, il est intéressant de constater que les ingénieurs disposent aujourd'hui de deux sources principales d'information. Avec, d'un côté, les résultats des simulations de modèles mathématiques et numériques classiques (i.e. des "boîtes blanches", comme les équations aux dérivées partielles et leur résolution par la méthode des éléments finis par exemple). Et, de l'autre, les essais réels réalisés sur le système physique et les données de terrain capturées qui peuvent alimenter des modèles d'apprentissage (i.e. des "boîtes noires").
L'objectif du projet HSA est de concevoir de nouvelles approches d'apprentissage visant à hybrider les processus de simulation physique classiques en les couplant avec les méthodes d'apprentissage à partir des données d'observation ou de simulation. La construction d'un modèle de simulation hybride sert ici un triple objectif. Le premier est de réduire le coût de la simulation physique grâce aux nouvelles méthodes d'IA reposant sur les données (en créant des modèles de substitution à base d'apprentissage statistique). Le deuxième est d'améliorer la qualité des décisions prises lors des phases de conception ou de pilotage reposant sur la simulation. Le troisième est de pouvoir s'attaquer à des problèmes physiques difficiles à résoudre avec les méthodes de modélisation classiques.
En outre, hybrider ces méthodes laisse espérer, selon les promoteurs du projet, une meilleure capacité de prédiction que des modèles uniquement fondés sur l'apprentissage.
« Dans le cadre du processus de conception de systèmes physiques, il ne faut pas chercher à opposer les méthodes classiques de simulation numérique, sur lesquelles les industriels ont développé un socle de compétences solide depuis 30 ans, et la nouvelle vague d'IA qui consiste à s'appuyer sur des observations déjà réalisées et/ou sur des données déjà simulées pour reconstruire un phénomène physique et prédire un comportement, explique Mouadh Yagoubi, chef de projet HSA au sein de l’IRT SystemX. Les experts du sujet sont unanimes sur l'intérêt d'hybrider ces nouvelles techniques d'apprentissage puissantes avec la simulation physique. Cette problématique naissante nécessite d'explorer de nouvelles approches algorithmiques pour réussir cette hybridation. »
Le cas d'usage porté par Airbus cible l'utilisation de méthodes hybrides (modélisation physique/IA) pour simuler le bruit des aéronefs avec pour objectif la réduction des nuisances sonores autour des aéroports et, de manière générale, au-dessus des zones habitées.
Celui proposé par Air Liquide s'intéresse à la production d'hydrogène en grande quantité, plus précisément au reformage du méthane à vapeur (SMR).Pour ce cas, d'importants calculs physiques sont nécessaires pour réaliser des estimations de performance et optimiser les unités de production.
EDF de son côté va travailler à l’hybridation des modèles de simulation (modèles physiques et simulation multi-agents) avec des modèles d'IA dans le domaine de la modélisation énergétique des bâtiments et des quartiers.
Dans le cas d'usage de RTE, l'hybridation des modèles physiques et des modèles d'apprentissage va viser à accélérer les temps de calcul des simulateurs physiques actuels pour la conduite temps réel du réseau électrique, en estimant le risque associé à de possibles défaillances d'ouvrages sur le réseau.
Enfin, le cas d'usage de la SNCF porte sur la fatigue du rail et le couplage de modèles mécaniques développés à SNCF I&R et SNCF Réseau avec des données de terrain, afin d'améliorer la prédictivité des modèles et développer un véritable outil d'aide à la décision en maintenance.
-dissolve-basic-fr(1).jpg)
