MeetUp – Apprentissage profond et le calcul scientifique pour la dynamique des fluides

Dans cet exposé, nous nous intéressons à l’utilisation de l’apprentissage profond pour accélérer des simulations numériques.Pour atteindre cet objectif, nous nous concentrons sur l’approximation de certaines parties des logiciels de simulation basés sur des Equations Différentielles Partielles (EDP) par un réseau de neurones. La méthodologie proposée s’appuie sur la construction d’un ensemble de données, la sélection et l’entraînement d’un réseau de neurones et son intégration dans le logiciel original, donnant lieu à une simulation numérique hybride. Malgré la simplicité apparente de cette approche, le contexte des simulations numériques implique des difficultés spécifiques liées à un compromis ominiprésent entre précisions et performances. Afin de satisfaire ces enjeux, nous étudions en détail chaque étape de la méthodologie d’apprentissage profond. Ce faisant, nous mettons en évidence certaines similitudes entre l’apprentissage automatique et la simulation numérique, nous permettant de présenter des contributions ayant un impact sur chacun de ces domaines.

Je suis diplômé de Telecom Paris, avec un MSc en statistiques de l’Imperial College London, depuis 2018. J’ai ensuite commencé un doctorat au CESTA, CEA-DAM, Inria Saclay et CMAP, Ecole Polytechnique, sur l’application du Deep Learning dans un contexte de simulation numérique HPC. Plus précisément, j’ai étudié l’accélération de codes de simulation en utilisant des réseaux de neurones artificiels et de l’analyse d’incertitude. Je travaille depuis quelques mois en tant qu’ingénieur chercheur à l’IRT Saint Exupéry dans le cadre du projet DEEL (DEpendable and Explainable Learning) porté par ANITI (Artificial and Natural Intelligence Toulouse Institute).