Faire converger « calcul intensif » et « sciences des données » pour la transition numérique des entreprises
Le projet
Mines Initiative for Numeric and Data Science (MINDS), un projet du Carnot M.I.N.E.S, fédère les équipes de 15 de ses centres de recherche autour d’un enjeu clé : se doter des outils informatiques modernes pour la transition numérique des entreprises et pour la convergence « calcul intensif » et « sciences des données ».
En créant une plateforme numérique de recherche et développement opérant cette convergence, MINDS forme désormais un remarquable effet de levier pour développer et maintenir une expertise de haut niveau dans les sciences du numérique, tout en conservant l’équilibre entre structures d’innovation et de recherche ouvertes et enjeux économiques particuliers.
Différentes actions de recherche ont été lancées, soutenues par un premier financement de 1.2 millions d’euros de l’institut Carnot M.I.N.E.S., combinant les savoir-faire et les compétences d’une communauté scientifique unique composée de mathématiciens appliqués, de physiciens, d’informaticiens, de mécaniciens.
Au-delà de MINDS :
À l’heure de la transformation numérique et de l’avènement de l’industrie du futur, l’utilisation de la science prédictive (data science, IA, machine learning,...) dans le procédé industriel est une préoccupation centrale pour les industriels. MINDS permet d’ores et déjà de répondre à différents nouveaux besoins formulés sur un tel rapprochement du monde de la simulation numérique et celui de l’intelligence artificielle dans différents secteurs : energie, santé, matériaux. Nous citons le lancement de quatre nouveaux projets convaincus par les développements issus de MINDS : (1) le contrôle en temps réel par apprentissage renforcé d’une centrale photovoltaïque pour assurer sa sécurité face aux vents extrêmes, (2), la mise en place d’un jumeau numérique des installations des fours pour contrôler le fonctionnement et réduire le rejet du CO2, (3), l’optimisation de forme par intelligence artificielle des nouveaux échangeurs thermiques dans les cabines des avions civils ou (4) les méthodes d’apprentissage profond et mécanique des fluides numérique pour l’analyse et le traitement des anévrismes non rompus.
Equipes de recherche
Focus sur quelques résultats
Modélisation de la dispersion des particules transportées par le vent
Nouvelles architectures de réseaux de neurones
Contrôle et optimisation de procédés industriels complexes
Couplage entre apprentissage renforcé et mécanique des fluides numérique
La collaboration de thèse entre Mines Paris (Cemef) et Mines Alès a permis de développer des nouvelles architectures de réseaux de neurones non seulement comme un modèle de substitution des équations de Navier-Stokes pour la prédiction des écoulement laminaires ou turbulents mais aussi pour la détection d'anomalies et la quantification de l'incertitude dans la prédiction des champs de vitesse et de pression, augmentant ainsi drastiquement la précision du modèle. L’application directe issue de ces travaux serait la modélisation de la dispersion des particules transportées par un champ de vent prédit autour d’un obstacle complexe sur un site industriel.
La collaboration de thèse entre les deux centres de Mines Paris, le CEMEF et le CES, a permis de développer pour la première fois le couplage entre l’apprentissage renforcé sur GPU et la mécanique des fluides numérique sur CPU. Cet outil nouveau et extrêmement puissant permet le controle ou l’optimisation d’un procédé industriel complexe allant au-delà des méthodes numériques existantes. Nous pourrions l’utiliser aujourd’hui pour différentes applications comme la création d’un nouvel échangeur thermique, l’optimisation d’une forme aérodynamique ou le perfectionnement d’un four industriel. Comme le montre la figure 2, cet outil intelligent teste dynamiquement différentes positions des buses d’entrée d’air froid tout en minimisant les gradients de température de la pièce pour garantir son refroidissement homogène.
