Objectifs de la chaire
L’apprentissage automatique scientifique a élargi les capacités des approches numériques traditionnelles en simplifiant la modélisation informatique et en fournissant des substituts rentables. Cependant, les substituts SciML souffrent de l’absence de contrôle d’erreur explicite, d’une phase d’apprentissage intensive en termes de calcul et d’un manque de fiabilité dans la pratique.
La chaire HAILSED vise à relever ces défis en
(1) développant de nouveaux types de substituts SciML, dont l’architecture intègre explicitement les contraintes physiques et géométriques, et dont l’erreur de validation peut être contrôlée a posteriori,
(2) en développant de nouveaux algorithmes d’apprentissage, qui s’appuient sur des approches basées sur la décomposition du domaine et qui utilisent le parallélisme des modèles
(3) l’hybridation des substituts SciML avec des méthodes de résolution numérique de pointe, ce qui sera réalisé en développant des méthodes non linéaires de division de champ et de décomposition de domaine équipées d’IA et des stratégies de préconditionnement basées sur la décomposition de domaine.
La mise en œuvre réussie des méthodologies proposées ouvrira la voie à des solutions efficaces et contrôlées d’erreurs à des problèmes multi-physiques et multi-échelles à grande échelle en combinant efficacement l’efficacité des substituts SciML avec la précision et la fiabilité des approches numériques standard.
- Limites d’approximation pour les substituts de SciML.
- Incorporation de contraintes physiques et géométriques aux architectures SciML.
- Algorithmes de décomposition de domaine, qui sont insensibles au bruit de sous-échantillonnage et peuvent efficacement exploiter la structure sous-jacente des réseaux neuronaux profonds.
- Hybridation globalement convergente et contrôle d’erreur de méthodes itératives non linéaires avec des approches d’apprentissage automatique.
- IRT SAINT EXUPÉRY (projet DEEL) : limites d’erreur pour les substituts SciML utilisant la constante de Lipschitz. Porté par P. Novello.
- AIRBUS, VITESCO, et LIEBHERR : Modélisation par surrogate pour la conception industrielle
- EPFL (Switzerland, group of P. Fua), Pipeline entièrement différentiable basé sur l’IA pour une optimisation.
- SANDIA NATIONAL LABORATORIES (USA, group of E. Cyr), Algorithmes d’apprentissage parallèle pour l’apprentissage automatique à grande échelle.
- UNIVERSITÀ DELLA SVIZZERA ITALIANA
(Arabie Saoudite/Switzerland, group of R. Krause), Hybridation des méthodes itératives et des approches d’apprentissage automatique.
- Contrôle d’erreur pour les substituts SciML.
- Formation efficace et parallèle de réseaux neuronaux profonds.
- Solution efficace de problèmes multi-échelles et multi-physiques à grande échelle et haute-fidélité.
French 
English