Comment les codes de calculs industriels et les modèles obtenus par apprentissage peuvent-ils s’enrichir mutuellement ? C’est à cette problématique que va répondre le projet HSA, premier du vaste programme de recherche « Intelligence Artificielle et Ingénierie Augmentée » (IA2) lancé par l’IRT SystemX.
Ce projet R&D collaboratif d’une durée de 4 ans réunit 5 industriels (Airbus, Air Liquide, EDF, RTE et SNCF) et trois laboratoires de pointe (Équipe Tau – Inria Saclay, LIP6 – Sorbonne Université, LIMSI – CNRS) autour de cas d’usage concrets, afin d’étudier et d’élaborer de nouvelles approches hybridant les méthodes de simulation physique et d’apprentissage à partir des données et de lever les verrous scientifiques associés.
La simulation numérique représente 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. À ces fins, il est intéressant de constater que les ingénieurs disposent aujourd’hui de deux sources principales d’information : les résultats des simulations de modèles mathématiques et numériques classiques, et par ailleurs les essais réels réalisés sur le système physique considéré et les données terrain capturées qui peuvent alimenter des modèles d’apprentissage.
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 un triple objectif : réduire le coût de la simulation physique grâce aux nouvelles méthodes d’IA basées sur les données (en créant des modèles de substitution à base d’apprentissage statistique), améliorer la qualité des décisions prises lors des phases de conception ou de pilotage basées sur la simulation, et enfin être en capacité de s’attaquer à des problèmes physiques difficiles à résoudre avec les méthodes de modélisation classiques. En outre, hybrider ces méthodes nous laisse espérer une meilleure capacité de prédiction que des modèles uniquement basés sur l’apprentissage.
