Comment simulation numérique et intelligence artificielle combinent leurs forces

High performance learning for computational physics (Helios) par le Centre européen de recherche et de formation avancé en calcul scientifique, Intelligence artificielle et ingénierie augmentée (IA2) par l’Institut de recherche technologique SystemX, ou encore Ingénierie augmentée par la donnée, l’apprentissage et l’intelligence artificielle (I-Gaia) par le CNRS… Cette liste non exhaustive de programmes de recherche ainsi que plusieurs rapports (dont celui de l’Académie des technologies en 2021) témoignent de l’effervescence qui règne parmi de nombreux scientifiques et ingénieurs autour d’un objectif commun : marier la simulation numérique et l’intelligence artificielle dans sa version machine learning.

Le but visé est d’accélérer et d’améliorer les calculs les plus intensifs, liés par exemple à la dynamique des fluides, où les simulations numériques peuvent montrer leurs limites. En phase de conception notamment, et pour économiser parfois de coûteux prototypes, ces simulations sont indispensables pour étudier le comportement d’un moteur durant la combustion ou d’un pneu au contact de la route. Ingénieur de recherche chez Michelin, Thibault Dairay résume les attentes de l’industrie envers l’IA : « Il s’agit de réduire les délais de mise sur le marché de nos produits ou de perfectionner nos modèles physiques en dépassant certaines hypothèses par exemple, afin de prendre de meilleures décisions au final. »

Florent Robert/IT

Si la simulation tire parti de longue date de méthodes statistiques (assimilation de données, surfaces de réponse…), la logique est poussée plus loin et aboutit à un modèle dit hybride. Dans le principe, le solveur physique avec ses équations s’articule avec un modèle d’apprentissage automatique (machine learning), généralement des réseaux de neurones ingérant des données observées ou simulées.

Le modèle physique, rassurant par l’exactitude de ses équations physiques, assure l’interprétabilité et la prédictibilité de la simulation. L’IA peut être incomprise mais, une fois correctement entraînée, possède un fort pouvoir accélérateur, parfois d’un facteur 10, voire bien plus. Elle offre en pratique la possibilité d’explorer davantage de paramètres et de dégrossir en amont une phase de conception, où la précision absolue n’est pas un enjeu. Elle peut aussi estimer des grandeurs physiques inaccessibles par les formules mathématiques.

Excitation du monde de l’ingénierie

La notion d’hybridation motive de nombreux travaux de recherche pour identifier, en fonction des besoins applicatifs, les techniques envisageables [lire l’infographie ci-contre] et leur potentiel. Le modèle d’apprentissage automatique, en se nourrissant de données mesurées – parfois des images –, peut ainsi parachever un modèle analytique qui ne réussit pas à résoudre des phénomènes survenant à très petite échelle.

Le réseau de neurones physiquement informé (Pinn) est une autre option qui suscite beaucoup d’intérêts. Inutile d’essayer de lui faire apprendre les lois de la physique comme la conservation de la masse, que l’on connaît déjà, il suffit de lui imposer de les respecter en intégrant les équations correspondantes à la fonction de perte qu’il doit minimiser. Ainsi les résultats restent-ils cohérents d’un point de vue physique.

Le mariage entre ces deux sciences n’était pas donné d’avance. Au cours des années 2010, les modèles d’apprentissage automatique, en particulier les réseaux de neurones, ont été responsables de progrès colossaux en matière de reconnaissance d’image, pour ne citer que cette application. Étaient-ils en mesure de balayer la simulation numérique, ancrée dans l’industrie ? « Cette question a excité le monde de l’ingénierie il y a cinq ans », admet Francisco Chinesta, enseignant-chercheur au laboratoire Procédés et ingénierie en mécanique et matériaux (Ensam-Arts et Métiers-CNRS).

Forts de leurs succès, certains spécialistes de l’IA se sont aussi emballés. « À l’ère du big data, les équations deviennent inutiles… Ces discours teintés d’arrogance étaient entendus vers 2015 dans les conférences portant sur l’IA, se rappelle Cédric Leblond, le responsable calcul scientifique et simulation chez Naval Group. Cette mode académique a duré deux ou trois ans. »

Le rêve d’un modèle de substitution

Le temps d’évaluer ce que l’IA pure et dure, ou « boîte noire », avait dans le ventre. « On remplaçait le modèle physique, décrivant la thermodynamique des écoulements réactifs et difficile à résoudre, par un modèle appris sur la base de multiples simulations numériques, explique Thibault Faney, un ingénieur de recherche à l’IFP Énergies nouvelles. Le calcul bénéficiait d’un gain de temps considérable mais ne garantissait pas la bonne solution au problème. » Difficile, pour les métiers de l’ingénierie, d’accorder leur confiance à une IA parfois trop approximative.

Ce rêve d’un modèle de substitution, entièrement piloté par des données, s’est heurté à un autre mur de la réalité industrielle. « Si les géants du numérique disposent de gros volumes de données pour entraîner leurs modèles, ces données ne sont pas aussi nombreuses dans l’industrie, constate Cédric Leblond. D’où l’intérêt de l’hybridation, qui recourt à beaucoup moins de données. »

Accrochés à ces données, ces modèles hybrides reflètent-ils mieux la réalité du terrain, ce qui est le vœu des industriels ? « Tous les modèles sont faux mais certains sont utiles, répond Mathilde Mougeot, professeur des universités ENSIIE-ENS Paris-Saclay, en citant le statisticien George Box. Ces modèles hybrides sont possiblement des modèles utiles. »