Action transversale

Apprentissage Profond pour la physique et Physique pour l’apprentissage

L’apprentissage automatique (Machine Learning, ML) fournit un ensemble de méthodes de traitement de l’information ouvrant des perspectives importantes pour les sciences expérimentales en général, et pour la recherche en mécanique des fluides en particulier

L’apprentissage automatique (Machine Learning, ML) apporte un ensemble de méthodes permettant d’extraire des informations de données et de puissantes méthodes de régression bien adaptées aux problèmes non-linéaires de grande dimension rencontrés en mécanique des fluides. Beaucoup de situations peuvent en effet se formuler sous la forme de problèmes d’optimisation ou de régression, comme la réduction de modèle, le contrôle ou l’optimisation robuste ou de forme, qui peuvent être accélérés par l’apprentissage automatique. Le ML est déjà un outil bien identifié en mécanique des fluides pour un large spectre de domaines d’application (fouille de données, décomposition modale, modélisation, couplage simulations-ML, calibration de modèles de fermeture, etc.) mais beaucoup de potentiel reste à exploiter.

Inversement, la mécanique des fluides, et la Physique d’une manière générale, peut motiver des thématiques de recherche en ML selon plusieurs axes. Entre autres, on peut penser à l’imposition de contraintes à satisfaire par un modèle appris, sous la forme d’invariance de la prédiction du modèle vis-à-vis de certains groupes de symétrie, la garantie de certaines propriétés ou bornes sur les prédictions (certification, robustesse), notamment dans une situation d’apprentissage avec peu de données, etc.

Les données issues de simulations physiques directes étant très riches, sans bruit et contrôlables, elles peuvent servir de benchmarks très “propres”, ce qui est crucial pour le développement et la validation de nouvelles architectures en ML.

Cet axe transverse apporte un cadre pour des échanges et des collaborations entre chercheurs des deux domaines. Un certain nombre d’actions ont déjà été engagées (journée scientifique entre le département des Sciences des Données (équipe A&O) et le département Mécanique-Energétique du laboratoire (équipe DATAFLOT et COMET), projet ANR commun, co-encadrement d’étudiants, etc.).

Projets en cours et futurs

Cet axe transverse apporte un cadre pour des échanges et des collaborations entre chercheurs des deux domaines. Quelques actions ont déjà menées sur ce thème:

  • Juin 2022 : journée scientifique entre le département des Sciences des Données (équipe A&O) et le département Mécanique-Energétique du laboratoire (équipe DATAFLOT et COMET).
  • une liste de diffusion ML4Physics permettant le partage d’information sur le thème (conférences à venir, séminaires, etc.)
  • un projet ANR commun en cours (Speed, 2020-2024), plusieurs projets ANR sur la thématique (Thermal, Reason, etc.),
  • encadrement de nombreux stagiaires de Master2 et de doctorants sur la thématique.

Ce thème transverse réunit l’équipe A&O (départements Science des Données et Algorithmes, Apprentissage et Calcul) et l’équipe DATAFLOT (département Mécanique des Fluides-Énergétique), et fait également l’objet d’une collaboration avec lIFPENIFP Energies nouvelles ainsi qu’avec l’IRT SystemX (thèse co-encadrée).

Coordination