Emmanuel Menier, doctorant au sein du projet HSA (Hybridation Simulation Apprentissage) et du programme IA2 (Intelligence Artificielle et Ingénierie Augmentée) de l’IRT SystemX, soutiendra sa thèse le 25 janvier 2024, à 9h30 dans la salle des thèses du bâtiment 650 au LISN (Gif-sur-Yvette), sur le sujet suivant : « Apprentissage machine pour la réduction de modèles ».
>> Assister à soutenance en ligne <<
Résumé de la thèse :
Les systèmes dynamiques sont généralement modélisés à l’aide d’équations aux dérivées partielles (EDP). Ces modèles sont étroitement liés à la façon dont les scientifiques observent le monde et, en tant que tels, ils sont limités par notre compréhension des systèmes étudiés. En effet, des modèles tels que les équations de Navier-Stokes ne modélisent que les interactions locales dans un écoulement, et négligent les phénomènes sous-jacents qui controlent le système dans son ensemble. Cela conduit souvent à des coûts de calcul excessifs associés à la résolution numérique des EDP. Dans cette thèse, nous discutons de la manière dont les données dynamiques peuvent être exploitées pour dériver de meilleurs espaces de représentation pour les systèmes physiques ainsi que des modèles simplifiés, appelés modèles réduits. Nous proposons ensuite d’exploiter les capacités d’approximation des réseaux de neurones pour construire de nouvelles méthodes de réduction de modèles. Les techniques introduites dans cette thèse reposent sur le concept d’hybridation entre la modélisation physique et les méthodes d’apprentissage machine. Nous nous appuyons sur les propriétés des systèmes dynamiques étudiés pour construire des modèles interprétables, précis et en accord avec la théorie afin de résoudre les problèmes de coûts de calcul associés à la modélisation physique standard, tout en limitant la dépendance des modèles aux données.
Composition du jury :
-
Gianluigi ROZZA – Professeur, SISSA, Trieste – Rapporteur & Examinateur
-
Amaury HABRARD – Professeur, Université Jean Monnet, Saint-Etienne – Rapporteur & Examinateur
- Nicolas THOME – Professeur, Sorbonne Université, Paris – Examinateur
-
Phaedon-Stelios KOUTSOURELAKIS – Professeur, Technical University of Munich – Examinateur
-
Johannes BRANDSTETTER – Professeur Assistant, Johannes Kepler University, Linz – Examinateur
- Taraneh SAYADI – Chargé de Recherche, CNAM, Paris – Examinateur
Laboratoire partenaire :
LISN (Laboratoire Interdisciplinaire des Sciences du Numérique)
