Programme de recherche collaboratif SimEngine

Accélération du calcul scientifique par des méthodes d’apprentissage actif

Le calcul scientifique met à profit la puissance des supercalculateurs pour simuler le monde de demain. Pourtant, il consomme des énormes ressources de calcul et il n’est aujourd’hui accessible qu’à des utilisateurs très spécialisés. L’apprentissage de modèles est une discipline scientifique qui vise à accélérer le calcul scientifique par l’apprentissage automatique en minimisant les ressources de calcul nécessaires pour son exécution.



Au cours des dernières années, une nouvelle génération de méthodes d’apprentissage, dite méthode SSL, a été développée au laboratoire GeM de Centrale Nantes. Cette méthode a fait l’objet de plusieurs publications scientifiques a démontré des performances en quasi-temps réel (temps d’exécution en dessous d’une seconde) sur tablette.

Cependant, des verrous sont encore à lever notamment en matière de réduction du volume de données nécessaire afin d’atteindre un niveau de précision souhaité.
L’objectif de ce projet est précisément de relever ces verrous grâce à un programme de recherche ambitieux.

La société Miura Simulation, spin-off de Centrale Nantes pionnière dans le calcul scientifique en temps réel, assurera la valorisation et l’exploitation commerciale du logiciel SSL. Cette chaire permettra à Miura Simulation d’approfondir dans sa stratégie d’innovation de rupture, en proposant des solutions pour accélérer et embarquer la puissance du calcul scientifique sur des applications légères.

Cette méthode a fait l’objet de plusieurs publications scientifiques a démontré des performances en quasi-temps réel (temps d’exécution en dessous d’une seconde) sur tablette.
Cependant, des verrous sont encore à lever notamment en matière de réduction du volume de données nécessaire afin d’atteindre un niveau de précision souhaité. L’objectif de ce projet est précisément de relever ces verrous grâce à un programme de recherche ambitieux.

• Faire évoluer les algorithmes d’apprentissage actif pour la prise en compte de stratégies d’échantillonnage adaptatif et parallèle dans l’espace paramétrique afin de réduire la volume de données nécessaires pour l’apprentissage de modèles.
• Introduire des paramétrisations du modèle permettant de faire varier la géométrie du domaine de calcul 3D afin de pouvoir simuler de nouvelles instances géométriques arbitraires sans devoir redémarrer le processus d’entraînement.
• Étendre l’entraînement des modèles à des comportement physiques complexes entrainant des contacts mécaniques entre les différents sous-systèmes.

Un plan de dissémination visant à diffuser les résultats du projet, à la fois auprès d’acteurs industriels
intéressés et de la communauté scientifique internationale, est prévu tout au long de la durée du
projet et pendant un an après sa fin. Nous avons identifié plusieurs potentiels utilisateurs finaux de la
technologie ou bénéficiaires des résultats du projet :

• Dans le secteur de l'éducation : les Universités et les Grandes Ecoles dans les domaines des sciences de l’ingénieur, des sciences des données et de l’informatique.
• Dans la communauté scientifique : les secteurs de l’intelligence artificielle, les procédés de fabrications, l’apprentissage profond et le Big Data Analysis.
• Dans les secteurs industriels : la fabrication de verre, le formage et le thermoformage dans les secteur plastique alimentaire et composite (automobile, aérospatiale), le formage métallique.