Cerfacs Entrez dans le monde de la haute performance...

Accélération de solveurs en mécanique des solveurs de fluides par techniques d’intelligence artificielle: application à la résolution de l’équation de Poisson

 , , , ,

Niveau requis : Master ou école d'ingénieur
Date de début : 1 octobre 2018
Date limite des candidatures : 15 juillet 2018

Résumé:

L’intelligence artificielle (IA) a récemment émergé dans de nombreux domaines de l’ingénierie comme une nouvelle approche pour gérer des systèmes complexes et élaborer des modèles physiques. Basé sur l’apprentissage de réseaux de neurones profond, le Deep Learning est l’une de ces méthodes qui a montré des résultats remarquables. En mécanique des fluides, on peut s’attendre à une percée dans les méthodes numériques en utilisant une telle technique pour développer des modèles physiques complexes ou améliorer les solveurs numériques actuels. Un exemple significatif est FluidNet [1], où la résolution de l’équation de Poisson dans un solveur de fluide dédié aux jeux vidéo a été remplacée par une solution apprise obtenue à travers un réseau de neurones profond. Pourtant, la petite quantité d’études consacrées à l’IA pour la mécanique des fluides suggère que des progrès sont encore nécessaires pour rendre ces méthodes matures et fiables.

Récemment, l’ISAE-Supaero et le CERFACS ont appliqué des techniques d’apprentissage en profondeur à plusieurs problèmes rencontrés en mécanique des fluides. Dans la veine de FluidNet, ce doctorat a pour but d’explorer l’application de l’apprentissage profond à des problèmes fluides impliquant l’équation de Poisson, dont on sait qu’elle est coûteuse à résoudre lorsqu’on utilise des méthodes numériques classiques. Basé sur un travail antérieur à ISAE-Supaero et FluidNet, ce doctorat évaluera d’abord la capacité des réseaux neuronaux profonds à accélérer la résolution de l’équation de Poisson dans deux contextes différents. Le premier est la simulation de flux incompressibles, où une équation de Poisson est utilisée pour obtenir le champ de pression afin d’imposer la conservation de la masse. La deuxième application est la simulation de propulseurs plasma à effet Hall pour la propulsion par satellite, où une équation de Poisson non homogène doit être résolue pour déterminer le champ électrique.

[1] J. Tompson, K. Schlachter, P. Sprechmann et K. Perlin, Accélération de la simulation des fluides eulériens avec des réseaux convolutifs

Lieu de thèse:

Le doctorat se déroulera au Département d’Aérodynamique et de Propulsion (DAEP) de l’ISAE-Supaero et au CERFACS, deux laboratoires français dédiés à la mécanique des fluides numérique, tous deux situés à Toulouse en France. Une partie de ce doctorat sera en étroite collaboration avec des experts en intelligence artificielle de Jolibrain (Toulouse).

Feuille de route et objectifs:

L’objectif principal de ce doctorat est d’élaborer des lignes directrices et d’évaluer les performances des techniques d’apprentissage en profondeur appliquées à la résolution de l’équation de Poisson. Ce doctorat suivra les travaux antérieurs réalisés à l’ISAE-Supaéro sur une version interne de FluidNet. Tout d’abord, le candidat au doctorat se concentrera sur FluidNet pour établir l’architecture du réseau neuronal ainsi que sa mise en œuvre et sa formation. Dans un deuxième temps, le réseau sera implémenté dans le solveur incompressible haute-fidélité YALES2, afin d’évaluer la performance, la précision et les limites de cette approche dans des écoulements complexes. Enfin, cette stratégie d’accélération des codes CFD sera adaptée au solveur plasma AVIP, dédié à la simulation de la propulsion plasma des satellites. Comme pour les solveurs incompressibles où la conservation de la masse est imposée par l’équation de Poisson, le champ électrique doit ici être reconstruit sur la base de la distribution spatiale connue des charges électriques via une équation de Poisson non homogène. La résolution de cette équation représente jusqu’à 40% du temps de calcul total, qui pourrait éventuellement être réduit en utilisant une technique AI similaire à celle réalisée dans les premières étapes de la thèse. Le résultat attendu du doctorat sera la mise en œuvre, l’entraînement et la validation de réseaux neuronaux profonds dans deux solveurs différents, ce qui constituera une percée majeure dans le CFD et ouvrira la voie à cette nouvelle stratégie d’accélération des solveurs CFD.

Exigences:

Le candidat au doctorat devrait détenir un diplôme de maîtrise ou d’ingénierie ou l’équivalent, avec une solide expérience en mécanique des fluides et/ou en intelligence artificielle, ou dans des domaines connexes. Une connaissance approfondie et/ou une expérience basée sur un projet en dynamique des fluides numérique instationnaire (CFD) ou en apprentissage profond est nécessaire. Des compétences mathématiques et théoriques seraient également appréciées, ainsi qu’une certaine expérience avec les codes Fortran, C++ et python. Les compétences orales et écrites en anglais sont obligatoires, le français serait un atout. Veuillez envoyer une lettre de motivation, un CV et deux lettres de recommandation aux conseillers.

 

Contact:

Antony Misdariis (CERFACS): misdariis@cerfacs.fr

Michael Bauhereim (ISAE): Michael.BAUERHEIM@isae-supaero.fr