Dans cette grande salle emplie d’ordinateurs formant des archipels, des chercheurs de l’Institut de recherche technologique (IRT) SystemX à Paris-Saclay donnent corps à leur ambition : la plateforme logicielle Learning industrial physical simulation, ou Lips. Un tableau de bord qui aura pour objectif d’aider l’industriel à décider de la meilleure technique d’apprentissage automatique pour accélérer de lourds calculs de simulation physique. Lips mûrit dans le cadre du projet collaboratif HSA (hybridation simulation apprentissage), commencé en février 2020, et devrait donner lieu à un démonstrateur au printemps 2024.
À l’image d’AFS (agilité et fidélité des simulations), lancé en septembre, ce projet appartient lui-même au vaste programme de recherche Intelligence artificielle et ingénierie augmentée (IA2) dirigé par SystemX. Outre des partenaires académiques (Inria Saclay, CNRS, Sorbonne Paris 6), six industriels contribuent à façonner Lips : Air liquide, EDF, RTE, Michelin, SNCF et Airbus.
Ceux-ci souhaitent savoir dans quelle mesure des réseaux de neurones pourraient améliorer le sempiternel compromis entre la qualité d’une simulation et le temps qui lui est alloué. « Or, il n’existe aucune méthode d’apprentissage universelle correspondant à un problème physique donné, confie Mouadh Yagoubi, chef du projet HSA-AFS. Il y a donc un besoin de comparer ces méthodes sur plusieurs cas d’usage. »
Plateforme logicielle nourrie par des cas d'usage
La plateforme logicielle sera nourrie progressivement par ces cas d’usage spécifiques – déformation d’un pneumatique au contact du sol pour Michelin, reformage du méthane pour Air liquide, pilotage du réseau électrique pour RTE… – où interviennent des phénomènes physiques hétérogènes : écoulement de fluides, électricité, acoustique...
Une fois finalisée, Lips devrait faciliter les expérimentations des ingénieurs. Elle permettra d’entraîner divers types de réseaux de neurones (convolutifs, récurrents...), à partir de données réelles et de données produites par un solveur physique, puis de confronter et d’évaluer ces différentes approches en modifiant des paramètres. Le processus aurait l’avantage de pouvoir être généralisé, au lieu d’être réalisé au cas par cas. Un tel outil de benchmarking est inédit.
Un outil qui manquait
« Pour évaluer les méthodes d’apprentissage automatique, on a déjà ce qu’il faut, et c’est la même chose pour les solveurs physiques, observe Mouadh Yagoubi. Mais dans le cas de la simulation hybride, où les deux composantes entrent en jeu, l’évaluation doit être repensée avec des critères liés à la fois à l’apprentissage automatique et à la simulation physique. Sur un plan conceptuel, cet outillage manquait. » La première version de Lips comporte aujourd’hui les cas d’usage de Michelin et de RTE.
« Nous avons choisi délibérément deux applications diamétralement opposées pour éprouver notre plateforme », indique Mouadh Yagoubi. Un gros travail initial qui s’est soldé jusqu’à présent par l’identification de quatre catégories de critères d’évaluation, leur nombre pouvant évoluer par la suite. Pour vérifier la conformité à la physique, l’industriel pourra par exemple comparer les calculs produits par le modèle hybride avec les calculs issus d’une simulation haute fidélité, purement physique.
Un autre critère s’intéresse quant à lui au modèle d’apprentissage et permet de mesurer sa capacité à donner de bons résultats avec des données sortant du domaine d’apprentissage (out of distribution generalization). Outre ces critères génériques, l’industriel pourra définir les siens, adaptés à ses besoins.
Premiers résultats pour Michelin
Lips livre ses premiers résultats. « Pour Michelin, qui utilise normalement une technique de réduction de modèle plus classique, les réseaux de neurones de type convolutif et totalement connectés permettent tous les deux d’accélérer le temps de calcul d’un facteur 100, relate Mouadh Yagoubi. Les réseaux de graphes, plus sophistiqués, sont moins concluants mais nous continuons notre investigation. »
La plateforme Lips a une autre qualité : elle sera disponible en open source. « Nous fournissons les sources grâce à des dépôts Git et publions une bibliothèque en Python pour que l’utilisateur puisse construire et améliorer son propre outil de benchmarking. » Une des perspectives serait même d’organiser des compétitions autour de la résolution de problèmes physiques avec de l’IA. « Lips pourrait servir à départager les soumissions à ce problème », estime Mouadh Yagoubi.
L’industriel pourra par exemple comparer les calculs produits par le modèle hybride avec les calculs issus d’une simulation haute fidélité.
I-Gaia, le groupement de recherche dédié du CNRS
Si le CNRS est impliqué dans le projet HSA de SystemX, il prévoit aussi de créer son propre groupement de recherche (GdR) en janvier 2023 : I-Gaia, soit l’ingénierie augmentée par la donnée, l’apprentissage et l’intelligence artificielle. Il s’agit d’étudier l’hybridation des modèles de simulation numérique et des modèles d’apprentissage automatique dans le domaine des matériaux solides, de la mécanique des fluides, de l’électronique ou encore de la photonique.
Le projet I-Gaia sera rattaché à l’Institut des sciences de l’ingénierie et des systèmes (Insis). Il sera dirigé par Francisco Chinesta, enseignant-chercheur au laboratoire Procédés et ingénierie en mécanique et matériaux (Pimm), lauréat de la médaille d’argent du CNRS en 2019. « L’objectif est de créer des synergies, des frameworks [boîtes à outils logicielles, ndlr]… », indique-t-il. Il ne devrait pas chômer car l’initiative fait recette : à la mi-septembre, 58 laboratoires avaient manifesté leur intérêt pour contribuer à ce GdR, soit 700 chercheurs au total. Ils seront rejoints par des partenaires industriels, encore inconnus. La méthodologie se composera de trois volets : comment choisir les données, comment choisir les modèles d’apprentissage, et comment vérifier et valider les résultats obtenus.
