MIMICO: Reproduire la complexité des modèles basés sur les agents – MIMICO

Les modèles basés sur des agents (ABM) sont des outils intéressants pour modéliser et étudier des phénomènes complexes dans lesquels de nombreuses entités hétérogènes aux interactions non linéaires sont géographiquement distribuées et modélisées à différentes échelles. Les scientifiques interagissent avec les ABM en modifiant les valeurs des paramètres du modèle, soit au cours d'un processus de calibration pour produire des données réalistes, soit pour explorer les résultats possibles dans le cadre de scénarios "what-if". L'exploration approfondie de l'espace des paramètres d'un ABM est difficile en raison du nombre relativement élevé de paramètres, des coûts de calcul potentiellement élevés par exécution du modèle et de la relation non linéaire entre les paramètres et les résultats. Le projet MIMICO propose de concevoir et d'évaluer une nouvelle approche basée sur la construction d’un modèle de substitution pour émuler la relation qui existe entre un scénario et les résultats du modèle agent. La nouveauté du projet est de concevoir de nouvelles stratégies d'apprentissage actif, ce qui implique que le modèle de substitution observera lui-même son processus d'apprentissage pour demander de nouveaux exemples. L'hypothèse clé est que si l'algorithme d'apprentissage est autorisé à choisir les données à partir desquelles il apprend, et donc à être curieux, il sera plus performant avec moins d'entraînement. Le modèle de substitution peut alors découvrir de nouveaux scénarios à explorer, fournissant ainsi des informations intéressantes pour l'expert tout en améliorant sa propre capacité à imiter l'ABM. Le cadre est évalué sur deux domaines d'application : le premier est l'évaluation de l'impact des nouvelles politiques urbaines sur le modèle de mobilité, et le second est la calibration de la simulation de foule dense.