Axe : IID
Coordinateurs : Guillaume Charpiat, équipe TAU, LRI / INRIA Saclay
Lionel Mathelin, LIMSI
Laboratoire gestionnaire : Inria SIF
Autres laboratoires impliqués : LIMSI, LRI, MICS
Équipes concernées et liste des participants :
LRI / INRIA Saclay via l’équipe TAU : Michele Alessandro Bucci, Guillaume
Charpiat, Marc Schoenauer
LIMSI : Lionel Mathelin, Onofrio Semeraro
MICS : Ludovic Goudenège
D’autres équipes ou labos du plateau travaillant sur les EDP ou les simulations numériques pourraient être intéressées (CMAP, CMLA…).
Présentation :
Ce groupe de travail est interdisciplinaire, à l’interface de l’apprentissage
statistique et de la simulation numérique de systèmes dynamiques (ou plus
généralement de systèmes aux dérivées partielles). Le sujet principal est celui de l’apport du machine learning aux simulations numériques lourdes et coûteuses, telles qu’en mécanique des fluides ou prévisions météorologiques par exemple, ou encore en biochimie, où l’on simule des trajectoires temporelles de protéines afin d’observer les différentes conformations de faible énergie qu’elles peuvent prendre. De telles simulations sont généralement très coûteuses car les tâches associées nécessitent une discrétisation spatiale et/ou temporelle fines pour que
les prédictions soient fiables, notamment quand le système dynamique est
stochastique ou comporte des phénomènes multi-échelles. Il s’agit d’un domaine en pleine effervescence ces dernières années; la littérature est déjà riche en approches variées et novatrices. Un groupe de lecture avec des compétences de deux côtés (machine learning et simulation numérique) est nécessaire pour analyser en profondeur l’état de l’art, se tenir à jour des évolutions et pouvoir en proposer de nouvelles.
Le groupe de lecture et de séminaires s’intéressera notamment à:
– l’accélération de simulations numériques via du machine learning, dont
notamment: l’apport du deep learning à la mécanique des fluides
– les différentes façon d’incorporer des connaissances physiques dans un modèle d’apprentissage, ou d’incorporer de l’apprentissage dans un schéma de simulation numérique
– prédictions avec maillage et sans maillage du domaine spatial et du domaine temporel (cf DGM: Deep Galerkin Method)
– architectures de réseaux de neurones adaptées : graphNN, ODE-net, “flots
normalisants”…
– la robustesse des modèles appris: comment quantifie-t-on la qualité de la
dynamique prédite, et comment peut-on l’améliorer? (exposants de Liapunov, etc.)