Apprentissage basé sur la physique pour la simulation des fluides robuste – PHLUSIM

PHLUSIM est un projet interdisciplinaire qui propose de profiter progrès récents dans le domaine de l'intelligence articielle pour transformer la dynamique des fluides numérique (CFD) et la modélisation d'ordre réduit (ROM) pour les fluides. Plus précisément, il cherche à appliquer des techniques innovantes émergeant de l'IA à la spécificité de leur application à la modélisation et à la simulation des fluides. Classiquement, en CFD, les lois physiques sont encodées dans des équations aux dérivées partielles et résolues via des schémas numériques, qui deviennent inabordables à grande échelle et nécessitent de nombreux modèles internes. Historiquement, ces modèles n'exploitent pas les grands volumes de données qui sont maintenant disponibles à partir de mesures et de simulations, et de nouvelles stratégies basées sur l'apprentissage peuvent revisiter certains verrous de la CFD et des ROMs actuels, et ont le potentiel d'améliorer considérablement le statu quo, notamment en s'appuyant sur des formulations innovantes tenant compte du contexte. Cependant, le passage à l'apprentissage à haute dimension piloté par les données présente de nouveaux défis pour les experts en dynamique des fluides, tels que les risques de surapprentissage et les difficultés de généralisation. Inversement, dans la communauté de l'apprentissage automatique, les approches basées sur la physique est également apparu comme un nouveau domaine de recherche, mais il a souvent été limité à des cas académiques simplifiés, et la complexité des écoulements de fluides à l'échelle industrielle introduit de nouveaux défis pour ces méthodes. Par conséquent, dans les deux perspectives, ce sujet présente des défis interdisciplinaires typiques. Pour les relever, ces deux ensembles de compétences distincts mais qui se chevauchent sont rassemblés dans ce consortium d'experts en IA (ISIR-Sorbonne Université) et d'experts en modélisation des fluides (CERFACS-Toulouse et d’Alembert-Sorbonne Universite), qui collaboreront étroitement dans le cadre de PHLUSIM pour combler le fossé entre les disciplines. Pour ce faire, ils mettront en place des problèmes d'apprentissage contextuel de haute dimension liés à la simulation et à la modélisation des fluides, entraîneront des algorithmes d'IA de pointe sur ces problèmes et s'attaqueront systématiquement aux problèmes de généralisation qui se posent. Quatre objectifs principaux guideront ce travail : (1) sélectionner des techniques contextuelles compatibles avec la modélisation des fluides, (2) définir les formulations par lesquelles elles peuvent être utilisées pour aider les solveurs CFD haute fidélité, (3) explorer un éventail d'utilisations qu'elles peuvent avoir pour les modèles réduits, et définir des métriques de qualité par rapport aux méthodes préexistantes ; (4) rassembler des données sur un nouveau cas inédit et sur de nombreux cas existants pour cartographier la capacité de généralisation de toutes les méthodes explorées dans le cadre du projet. L'organisation du projet en quatre modules de travail reflète directement les quatre objectifs. Ce projet peut avoir un impact significatif sur un large éventail de domaines scientifiques, notamment les sciences de l'atmosphère, de l'océan et des réservoirs souterrains, ainsi que sur les systèmes d'ingénierie qui reposent sur la compréhension de la dynamique des fluides.