Modélisation d’interface en milieux granulaires par réseaux de neurones informés par la physique – PINNterfaces

Depuis leur introduction en 2018, le paradigme novateur des réseaux de neurones informés par la physique (PINNs) fait l'objet d'une attention grandissante motivée par leur flexibilité dans le traitement d'un large éventail de problèmes impliquant des équations différentielles partielles (EDP). L’approche PINN permet d’intégrer de manière transparente les informations provenant à la fois des mesures et des EDP en intégrant les EDP dans la fonction de perte d'un réseau de neurones artificiels à l'aide de la différenciation automatique. Cette approche innovante permet de lever deux limitations de l'apprentissage profond ou « Deep-Learning » : l’approche PINNs demeure opérante en régime frugal de données et offre une grande interprétabilité, ouvrant une voie nouvelle pour la résolution d’EDP et l’identification de modèles de fermeture. Ce paradigme de rupture est au coeur de ce projet qui a une ambition double : donner un fondement mathématique rigoureux à l'approche PINNs dans le but d'améliorer la compréhension, la prédiction des problèmes à interface rencontrés dans les milieux granulaires en écoulement, notamment le phénomène de "jamming".