3e webinaire NumPEx – Modèles neuronaux de substitution pour les EDP

Un substitut neuronal pour les équations aux dérivées partielles (EDP) est un réseau neuronal entraîné pour se rapprocher d’un solveur d’EDP, avec pour objectif de fournir une solution à un coût bien inférieur à celui d’une simulation numérique classique. Cette présentation passera en revue les principales approches existantes, des réseaux neuronaux informés par la physique (PINN) aux substituts basés sur les données, entraînés de manière supervisée sur des ensembles de données générés par des solveurs. Nous examinerons ensuite les défis que ces approches doivent encore surmonter, qu’il s’agisse des capacités de généralisation ou des coûts de calcul, y compris à la fois les coûts de génération de données et ceux liés à l’entraînement. Enfin, nous nous concentrerons sur l’entraînement en ligne, où la génération de données et l’entraînement du modèle s’effectuent simultanément. Nous présenterons la solution proposée par le framework Melissa, qui permet un entraînement en ligne à grande échelle de modèles de substitution avec une accélération pouvant atteindre 10 fois supérieure à celle de l’entraînement classique basé sur des fichiers.

Par Bruno Raffin