Le machine learning au pays des équations
Rencontres chercheur·euse·s et ingénieur·e·s - 6ème édition
Paris, le 21 novembre 2024
Inscrivez-vousLes « Rencontres chercheur·euse·s et ingénieur·e·s » de Phimeca visent à stimuler la créativité des chercheur·euse·s et des ingénieur·e·s pour résoudre des problèmes mêlant simulation numérique et analyse de données. Elles encouragent également les transferts de savoirs et de technologies entre communautés scientifiques. Elles sont gratuites et ouvertes à tou·te·s.
Les mathématiques et les sciences physiques entretiennent des relations d’inter-dépendance fortes, les questions posées d’un côté amenant des développements de l’autre et vice versa. Que l’on pense par exemple aux probabilités et la physique quantique ou à la géométrie Rimanienne et la théorie de la relativité.
L'ingénieur⋅e a souvent un pied dans chaque monde pour élaborer des modèles à même de rendre compte de façon cohérente des observations à sa disposition, en vue d'élaborer des solutions à des problèmes techniques.
Les sciences de l'ingénieur⋅e regardent beaucoup du côté de l'informatique : simulation numérique d'une part, et science des données et machine learning de l'autre. Les mathématiques sont l'un des langages fédérateurs pour articuler la panoplie toujours croissante de méthodes et outils mobilisés en ingénierie.
Cette articulation se retrouve sur le plan logique comme la synthèse de raisonnements plutôt déductifs, par exemple décliner dans des cas particuliers des principes établis de façon générale en physique, et d'autres plutôt inductifs, généraliser un modèle appris à partir d'un échantillon de données.
Comment utiliser concrètement le machine learning pour surmonter des obstacles auxquels se heurte la simulation physique ? Les méthodes propres à la physique constituent-elle une source d'inspiration pour la recherche en machine learning ? L'hybridation des approches « physics-based » et « data-based » est dans l'air du temps (modèles boîte grise, physically informed neural network, machine learning scientifique [SciML]…). Quelles sont les méthodes matures et éprouvées ? Et les plus prometteuses à surveiller de près dans les années à venir ?
Sept expert·e·s et praticien·e·s œuvrant dans des domaines variés présenteront leurs démarches et expériences, esquissant ainsi une cartographie d'une région au carrefour de la science des données et de la simulation.
Horaire | Orateur·rice·s | Sujet | ||
---|---|---|---|---|
9:00 | Accueil | |||
9:30 | Introduction de la journée | |||
9:40 | Maxime Gueguin (Eurobios) | La métamodélisation de systèmes physiques au service de la gestion des actifs industriels | Télécharger | |
10:20 | Patrick Gallinari (Sorbonne Universite et Criteo AI Lab) | Operator learning: solving partial differential equations on general geometries | ||
11:00 | Pause | |||
11:20 | Damien Bonnet-Eymard (KU Leuven) | A practical introduction to Physics-Informed Neural Networks (PINNs) | Télécharger | |
12:00 | Déjeuner | |||
13:30 | Tamon Nakano (DLR) | Reservoir Computing et ses applications | Télécharger | |
14:10 | Paola Cinnella (UPMC) | Scientific machine learning for fluid flow modeling and design | Télécharger | |
14:50 | Pause | |||
15:10 | Bastien Poubeau (IRSN) | Can machine-learning make fast and accurate severe accident simulators a reality? | Télécharger | |
15:50 | William Piat (Safran) | Physical informed Learning: stakes in an industrial setting | Télécharger | |
16:30 | Fin du séminaire |