Pourquoi les chercheurs en IA s’intéressent-ils à la simulation numérique ?
Les réseaux de neurones profonds, révolution des années 2010, ont été à l’origine d’énormes avancées dans la vision par ordinateur, la reconnaissance de texte... Mais on a fait un peu le tour des applications, même s’il reste des marges de progression. Le fait, pour les chercheurs, de pouvoir glisser vers le monde de la simulation est donc excitant et peut être vu comme un nouveau terrain de jeu scientifique. Ces recherches sont d’autant plus utiles qu’elles s’accrochent à une réalité dans l’industrie, où la simulation numérique est très présente. J’ajouterais que l’avenir de l’IA est de toute façon lié à l’hybridation, que ce soit avec la simulation, les techniques de contrôle, le raisonnement logique… C’est l’un des derniers champs scientifiques où la recherche publique, multidisciplinaire et universelle, peut encore rivaliser avec les Gafam [Google, Apple, Meta, Amazon et Microsoft, ndlr].
Le projet TAU (Tackling the underspecified) dont vous êtes coresponsable s’inscrit dans ce mouvement...
Ce projet, entamé en 2018, s’intéresse notamment au développement d’une IA de confiance (Good AI) – un thème qui était moins à la mode il y a cinq ans – et à sa démocratisation (Auto AI), qui passe par la capacité à déterminer automatiquement pour un problème donné le bon algorithme avec les bons paramètres. La simulation numérique, avec des sciences humaines et la physique statistique, compte parmi nos axes d’application. On collabore ainsi avec l’IFP Énergies nouvelles pour accélérer la simulation du comportement de fluides diphasiques dans les colonnes de distillation. Une sous-partie du problème, très coûteuse en calcul, peut être remplacée par un modèle appris, de type réseau de neurones. De façon générale, on peut ainsi étudier des propriétés fondamentales de l’hybridation et accomplir des progrès.
Y a-t-il un type de réseau de neurones particulièrement adapté à l’hybridation ?
Une thèse entière pourrait être consacrée à essayer des modèles différents, tant la zoologie des réseaux de neurones, de leurs variantes et des techniques de couplage avec la simulation numérique est grande. Nous sommes à l’ère du précambrien, qui a connu une explosion extraordinaire des espèces, dont très peu ont finalement survécu. Et si une architecture, comparée à une autre, se montre un peu plus performante, il n’y a pas la garantie qu’elle le soit autant sur des données qui s’écartent de l’ensemble utilisé pour l’apprentissage. Cette capacité de généralisation reste un problème essentiel, qu’on ne sait qu’estimer empiriquement.
Comment la recherche avance-t-elle sur cette question de la capacité de généralisation du deep learning ?
On a besoin de techniques mathématiques, embryonnaires aujourd’hui, pour garantir la convergence, borner les erreurs, afin de déterminer que telle architecture est la meilleure pour tel objectif sans faire un apprentissage sur des dizaines de milliers d’exemples. Les mathématiciens commencent tout juste à se saisir de cette question, vu l’ampleur qu’elle prend, et travaillent sur le comportement des équations aux dérivées partielles, sur la théorie des systèmes dynamiques… Certes, on ignore quels travaux mathématiques seront utiles et quand ils aboutiront, mais l’excellence de l’école mathématique française fait qu’elle est très bien placée pour accomplir des progrès substantiels ces prochaines années.
L’IA finira-t-elle par devenir indissociable de la simulation ?
Bien que la simulation numérique continue en elle-même de progresser hors IA, ce n’est plus possible, à mon sens, de l’envisager sans utiliser les outils issus de l’apprentissage machine. La jeune génération de chercheurs et d’ingénieurs y est déjà préparée. Les réfractaires mènent un combat d’arrière-garde, comme ceux qui refusaient l’informatique voici quarante ans. Au même titre que l’optimisation mathématique, utilisée par tout le monde aujourd’hui pour trouver les meilleurs paramètres, en toute transparence, l’hybridation avec l’IA rejoindra dans les dix ans à venir la panoplie des ingénieurs dans la simulation. Ce qui suppose au préalable un énorme débroussaillage de toutes les méthodes possibles. Et ça, c’est le boulot des chercheurs.
