L'arrivée à maturité de l'apprentissage automatique dans les années 2010, avec l'avènement de l'apprentissage profond, a foncièrement modifié le paysage de tous les domaines scientifiques où les données sont massivement disponibles, et atteint aujourd’hui le monde de la simulation numérique.
Mais ce « Deep Learning » est plus qu'une méthode de régression très puissante, et doit être également considéré comme le ferment de la programmation différentiable1, approche dont le déploiement éclairé, dans une relation étroite avec les méthodes classiques des domaines visés, ouvre de nouvelles voies d'avancées scientifiques rapides.
En effet, les systèmes complexes physiques, mécaniques, chimiques, biologiques ou artificiels sont aujourd'hui confrontés à des quantités massives de données,
• soit en entrée, générées par des capteurs bon marché qui sont déployés partout ;
• soit en sortie, générées par des simulations numériques de modèles mécanistes, qui sont aujourd'hui matures dans de nombreux domaines.
Il y a donc désormais moyen de tirer parti des deux extrémités de la chaîne : depuis l'intégration de données du monde réel dans des modèles mécanistes existants d'ODE et de PDE2 jusqu’à la dérivation de modèles entièrement nouveaux, directement à partir de données réelles, en respectant les propriétés connues du système considéré3.
Ce numéro spécial illustre comment IFPEN tire parti de cette révolution, en associant son expertise passée à la créativité de ses chercheurs pour développer des solutions innovantes.
Marc Schoenauer, INRIA-Saclay
Membre du Conseil scientifique d’IFPEN
1- Combinant le Machine Learning et l'optimisation numérique
2- Respectivement : Ordinary Differential Equation et Partial Differential Equation
3- Par exemple : la conservation de la masse, la dissipation d'énergie, les invariances géométriques etc.
Accélération de calculs de cinétique chimique par méthodes d’apprentissage
L’utilisation de méthodes d’apprentissage pour accélérer les calculs de cinétique chimique est une approche qui a récemment gagné en popularité. C’est le cas notamment pour la simulation des écoulements réactifs...
Sommaire :
Accélération de calculs de cinétique chimique par méthodes d’apprentissage
L’utilisation de simulations numériques est aujourd’hui largement répandue dans le monde industriel afin d’aider à la conception de systèmes ou à la prédicti…
Des « flashs » plus rapides grâce à l’apprentissage profond
Un grand nombre de simulateurs, qu’ils portent sur le dimensionnement des procédés réactionnels, sur l’évolution des réservoirs pétroliers ou de celle des di…
Conception numérique axée sur l’analyse de microstructures multi-échelles de matériaux poreux
La conception de matériaux poreux performants est un enjeu majeur pour l’efficience énergétique des procédés industriels : en catalyse, biocatalyse ou encore…
Digital Rock Physics à IFPEN
La caractérisation des réservoirs géologiques, thème historique de l’exploitation pétrolière, est aujourd’hui un socle d’intérêt pour des domaines applicatif…
Interprétation d’images géologiques assistée par Intelligence Artificielle
Au cours de la dernière décennie, l’apprentissage profond (Deep Learning) appliqué à l’analyse d’images a connu un réel essor et une extension dans de nombre…
Segmentation sémantique par apprentissage profond en sciences des matériaux
L’analyse d’image est un moyen classique de caractérisation microstructurale des matériaux qui, à partir de prises de vue numériques obtenues en microscopie,…