Le projet HSA, que vous avez dirigé, portait sur l’hybridation de la simulation numérique et de l’apprentissage automatique, en vue d’accélérer les calculs ou de résoudre des problèmes difficiles. Quel bilan en tirez-vous ?
Le projet est une réussite. Il a abouti à des résultats importants, bien que la maturité de nos partenaires industriels sur le sujet de l’IA était hétérogène, de même que leurs cas d’usage et les modèles physiques à traiter.
Lors de la cérémonie de clôture le 15 octobre dernier, Michelin a témoigné que les travaux du projet HSA faisaient désormais partie du cycle de simulation et de conception d’un futur pneumatique qui sortira de leurs usines. Les modèles de simulation hybrides sont 40% plus rapides.
Les simulations physiques sont certes très précises mais réclament un long et coûteux temps de calcul. L’objectif de Michelin, et des autres partenaires, était de savoir dans quelle mesure l’apport de l’IA pouvait accélérer ces calculs moyennant une détérioration minime de la précision, acceptable pour les métiers.
D’autres tests sont nécessaires avant la véritable concrétisation au plan industriel. Mais les résultats d’intégration préliminaires sont très prometteurs. Pour tous les cas d’usage, nous avons obtenu des gains de vitesse parfois considérables par rapport aux simulations physiques pures. L’intérêt de l’hybridation est démontré, mais cette jeune discipline doit mûrir.
Il y a deux ans, les cas d’usage de Michelin et RTE avaient été intégrés à votre logiciel Lips, qui sert à évaluer les performances de l’hybridation d’un modèle physique avec plusieurs types de réseaux de neurones. Cet outil de benchmarking est-il complet ?
Les six cas d’usage de nos partenaires ont été incorporés, plus un septième : la simulation du profil aérodynamique de l’aile d’un avion, dont le jeu de données a été fourni par une start-up française, rachetée depuis par Ansys.
Pour cette application, nous avons reçu 1200 solutions d’hybridation, car nous avions décidé d’organiser une compétition autour de Lips, pour valoriser cet outil auprès d’autres chercheurs. Nous avions bien sûr imposé le cadre physique, fourni les résultats de référence avec le solveur physique…
Les participants ont proposé des solutions innovantes de réseaux de neurones. En se référant à notre score de performance, les cinq premiers étaient, dans l’ordre, Safran, Framatome, Airbus, l’Onera et une autre équipe de Framatome.
La deuxième compétition, qui touchera à sa fin en novembre, a été acceptée par Neurips 2024, la plus grande conférence mondiale dédiée à l’IA. On observe donc une participation beaucoup plus internationale. Les résultats seront publiés en décembre, quand commencera la conférence Neurips.
Le but de Lips était aussi de pouvoir généraliser l’hybridation à partir de cas d’usage disparates. Est-ce atteint ?
La généralisation à d’autres cas d’usage est possible, mais c’est à nuancer. Le point positif, c’est que nous proposons maintenant un outil pour évaluer les méthodes d’hybridation, alors qu’il n’y avait rien auparavant.
On a un squelette, un processus… On peut dire à l’industriel de fournir les données dans tel format et on peut comparer l’efficacité de tel ou tel réseau de neurones.
Mais il n’y a pas de modèle physique universel, donc on ne pourra jamais proposer une base de critères universelle. L’expert métier devra renseigner le logiciel avec les paramètres importants. Tout n’est pas automatisable.
Les modélisations physiques qui exploitent un maillage à base d’éléments finis présentent toutefois des similarités. Deux de nos ingénieurs ont donc défini des briques génériques et élaboré une boîte à outils, Memoria, pour préparer ces cas d’usage à l’évaluation de Lips. La fonction Mesh2Graph permet de transformer facilement le maillage en graphes pour les chercheurs qui travaillent sur les réseaux de neurones de graphes (GNN).
Ce projet HSA aura-t-il une suite ?
Le projet HSA avait pour objet de poser les premières briques en matière d’hybridation simulation/IA. Comme on l’a vu, on a bien avancé sur le sujet et, si on y met les moyens, on obtient des gains sur des cas d’usage spécifiques.
La question qui se pose maintenant, c’est la validation des résultats et la généralisation, en particulier quand on sort du domaine d’apprentissage. Cette réflexion, entamée avec HSA, motivera notre projet suivant, VSH (validation, simulation, hybridation), qui devrait commencer en 2025.
L’idée est de passer à l’échelle, ce qui implique de pouvoir valider les résultats pour susciter la confiance de l’industriel et industrialiser les solutions d’hybridation.
L’autre axe de recherche sera la frugalité : il faut développer des méthodes d’apprentissage peu gourmandes, car les bases de données provenant des simulations physiques soient loin d’être gigantesques, en comparaison avec ce qui est disponible pour l’entraînement de ChatGPT.
