L'avantage du Deep Learning appliqué aux simulations numériques, P. Novello CEA
Détails
Les simulations numériques sont largement utilisées dans le monde de l'industrie et de la recherche pour la conception de systèmes complexes ou l'étude de phénomènes physiques. Elles peuvent cependant être très coûteuses et nécessitent la mise en place d'architectures de calculs haute performance. Il paraît alors intéressant d'utiliser des modèles d'apprentissage statistiques, plus légers, pour accélérer les calculs.
Le Deep Learning est au cœur de l'expansion de l'intelligence artificielle. Son efficacité réside en partie dans sa capacité d'approximation de fonctions complexes. Il est en effet possible d'aborder le Deep Learning sous l'angle de la théorie de l'approximation. De ce point de vue, les points d'entraînement sont capitaux pour l'apprentissage de la fonction d'intérêt.
Dans la plupart des cas d'applications du Deep Learning, nous ne disposons que d'un jeu de données d'entrainement fixe et nous ne connaissons rien de la fonction à approcher. Au contraire, dans le cadre du Deep Learning appliqué aux simulations numériques, nous disposons du code de cette fonction. Il est alors possible de contrôler la construction de ce jeu de données pour améliorer les résultats de l'apprentissage.
Paul Novello est doctorant au CEA et à l'Ecole polytechnique. Il prépare une thèse dans le domaine du Deep Learning appliqué aux simulations HPC.