L’axe stratégique « Modélisation basée sur les données » regroupe les thèmes connexes de l’assimilation des données (DA), de la quantification des incertitudes (UQ) et de l’intelligence artificielle (IA) basée sur la physique. Le CERFACS est un leader dans le domaine de la DA, avec des activités de recherche bien établies dans le développement d’algorithmes de DA et dans les applications de la DA dans divers domaines. L’activité UQ s’est intensifiée, avec un accent particulier sur le développement de méthodes d’ensemble non intrusives. L’IA basée sur la physique est un domaine de recherche qui a rapidement mûri au CERFACS au cours de la période stratégique précédente. En regroupant ces thèmes sous le même axe stratégique de modélisation basée sur les données, nous visons à exploiter leur synergie et à encourager le développement de méthodes combinant les aspects de chacun.
AS3.1. QUANTIFICATION DES INCERTITUDES
La recherche sur la quantification des incertitudes (UQ) au CERFACS est motivée par la nécessité de soutenir l’assimilation de données d’ensemble (DA), où les incertitudes dans les simulations de modèles doivent être échantillonnées efficacement et les statistiques d’erreur des modèles estimées de manière robuste et rentable. L’un des principaux défis consiste à générer des ensembles qui représentent la véritable distribution de probabilité tout en intégrant ces informations dans les algorithmes DA. L’UQ sert également des objectifs plus larges, notamment une meilleure compréhension des processus physiques, l’analyse de sensibilité et l’estimation stochastique pour l’optimisation et la prévision d’événements extrêmes.
Le CERFACS est confronté à trois défis principaux en matière d’UQ pour ses codes hérités et ses problèmes multiphysiques complexes : la haute dimensionnalité nécessitant une réduction des entrées/sorties, les données d’entraînement limitées en raison des coûts élevés de simulation et les diverses sources d’incertitude (aléatoires et épistémiques). Pour y répondre, le CERFACS a développé et testé diverses approches (métamodélisation, stratégies multi-fidélité et analyse de sensibilité), souvent en collaboration avec des partenaires universitaires et industriels tels que le LISN, l’IRT, EDF et l’ONERA.
Le CERFACS contribue également au développement de logiciels d’UQ, en particulier OpenTURNS, soutenu par ses actionnaires Airbus, EDF et l’ONERA. Les domaines d’application couvrent les sciences de l’environnement, l’aéronautique et le changement climatique. Les progrès récents ont permis d’élargir l’expertise et les collaborations en matière d’UQ. Le CERFACS vise désormais à rejoindre le consortium GIS LARTISSTE, renforçant ainsi son rôle dans la recherche et les applications de pointe en matière d’UQ.
AS3.2 ASSIMILATION DE DONNÉES
L’assimilation de données (DA) est une méthode permettant d’estimer les états ou les paramètres d’un modèle en combinant des observations avec des informations préalables, fondée sur la théorie de l’estimation bayésienne. Dans la pratique, la mise en œuvre de la DA implique toute une série d’algorithmes, chacun présentant des compromis en fonction de l’application, et repose souvent sur des techniques d’optimisation et numériques avancées. Développée à l’origine pour des systèmes de prévision tels que la prévision numérique du temps, la DA fonctionne de manière cyclique, en mettant à jour les états du modèle au fil du temps, et diffère des problèmes inverses statiques ou des approches traditionnelles d’apprentissage automatique. Contrairement aux méthodes ML/DL standard, la DA intègre des observations hétérogènes et tient explicitement compte de l’incertitude.
Le CERFACS possède une solide expérience dans le domaine de l’AD variationnelle et basée sur des ensembles. Sa stratégie actuelle se concentre sur des méthodes hybrides combinant les forces des deux approches. L’AD basée sur des ensembles est étroitement liée à la quantification de l’incertitude (UQ), car elle implique une analyse de sensibilité et vise à générer des ensembles de prévisions qui représentent de manière réaliste les incertitudes. Elle est également liée à l’IA informée par la physique, où des substituts statistiques remplacent des modèles physiques coûteux pour estimer les erreurs dépendantes du flux.
Compte tenu de l’ampleur des applications modernes, la DA au CERFACS traite des problèmes liés au « Big Data », qui nécessitent des algorithmes optimisés pour le calcul massivement parallèle. Les recherches futures exploreront l’intégration des techniques ML/DL dans les workflows DA et l’incorporation de nouveaux types de données afin d’améliorer la robustesse des algorithmes et de soutenir les applications de jumeaux numériques et l’optimisation des réseaux d’observation.
AS3.3 IA BASÉE SUR LA PHYSIQUE
Depuis 2018, le CERFACS a mis en place une équipe dédiée, structurée autour du groupe de travail universitaire Helios, afin d’étudier comment l’intelligence artificielle (IA) peut améliorer la modélisation physique. Cette initiative interdisciplinaire a abordé diverses applications, notamment la paramétrisation du sous-sol, l’assimilation des données atmosphériques, l’hydrologie, la modélisation des incendies de forêt, l’aérodynamique et la propulsion. Grâce à ces projets, l’équipe a acquis une meilleure compréhension des défis spécifiques et du potentiel plus large de l’IA dans le domaine du calcul scientifique.
Au cours des cinq prochaines années, le CERFACS continuera à développer cette recherche, en se concentrant sur des applications concrètes pertinentes pour ses actionnaires. Alors que l’IA a fait l’objet d’un engouement considérable, l’accent est désormais mis sur des démonstrateurs concrets qui mettent en évidence les avantages pratiques et les compromis. Trois priorités stratégiques guideront cet effort. Premièrement, l’équipe poursuivra des applications innovantes de l’IA dans la modélisation physique, en particulier celles qui pourraient révolutionner la résolution des équations différentielles partielles (EDP) grâce à des approximations apprises. Deuxièmement, elle vise à mener à maturité des applications hybrides CFD-IA, en démontrant leur faisabilité sur des cas industriels complexes. Troisièmement, elle renforcera l’intégration des modèles computationnels avec les données expérimentales ou observationnelles en tirant parti de l’IA et de l’expertise du CERFACS en matière d’assimilation des données. Ces actions visent à positionner l’IA comme un outil fiable pour améliorer la précision, l’efficacité et la compréhension des workflows de modélisation physique et de prévision.
