Comment le monde de la simulation numérique a-t-il perçu le triomphe des modèles d’apprentissage des données ?
Après une légère appréhension initiale, on s’est rendu compte qu’il s’agissait avant tout de méthodes mathématiques très poussées qui requièrent des données. Or, la simulation est une source importante de données, en particulier dans les situations où l’expérimentation et l’obtention de données réelles sont impossibles. L’impact de la sonde Dart de la Nasa sur l’astéroïde Dimorphos, fin septembre, est exemplaire. La simulation physique numérique et l’apprentissage automatique sont faits pour être complémentaires et hybridés. Côté simulation, l’objectif consiste à trouver les domaines où l’IA offre une valeur ajoutée, en accélérant les calculs notamment.
Quelle place occupe l’apprentissage automatique dans la R&D sur la simulation numérique aujourd’hui ?
C’est l’un des piliers importants de notre R&D. Il est composé de trois noyaux chez Ansys : des partenariats public-privé (MIT, Stanford…), une équipe de recherche dédiée, et des ingénieurs spécialisés qui développent notre cœur algorithmique fondé sur les éléments finis et qui intègrent peu à peu les apports des deux précédents noyaux. Mais, dans notre R&D, les méthodes d’apprentissage automatique ne priment pas. On continue notamment de perfectionner les méthodes numériques relatives aux calculs des équations différentielles partielles. La gestion de la géométrie (« meshing », ou maillage), qui sert à découper un objet en éléments finis de façon optimale, constitue un autre axe de recherche significatif. Toutes ces techniques peuvent d’ailleurs bénéficier de l’apprentissage automatique, car les frontières entre ces domaines de recherche sont assez perméables.
Ce mariage avec l’apprentissage automatique porte-t-il ses fruits dans vos logiciels ?
Dans le cas de l’écoulement dynamique de fluides, régi par les équations de Navier-Stokes, l’espace du problème où est simulé le comportement du fluide est habituellement discrétisé à l’aide d’un maillage, et chaque cellule de ce maillage est prise en compte dans les calculs du solveur physique. Mais il existe des cellules associées à des conditions similaires qui donnent la même solution. La fonction d’apprentissage automatique, intégrée depuis 2021 à notre logiciel Ansys Fluent, reconnaît ces similitudes, ce qui économise le temps qu’on perdrait à répéter ces calculs. Les résultats demeurent aussi précis, mais la rapidité est supérieure de deux ou trois ordres de grandeur selon la complexité du problème. De façon générale, plus la modélisation descend au niveau microscopique voire moléculaire, plus l’apprentissage automatique est susceptible d’être intéressant.
Que valent ces techniques d’hybridation pour résoudre des problèmes multiphysiques complexes ?
Elles sont très utiles dans la modélisation de la dissipation thermique d’un circuit électronique intégré qui comporte des dizaines de millions de transistors, par exemple. L’étude de ce phénomène nécessite de résoudre la loi d’Ohm en chacun des points répartis sur un maillage complexe et d’analyser aussi les gradients de température. Dans cet exemple, un algorithme d’apprentissage automatique permet d’automatiser la détection des points chauds et de resserrer la densité du maillage à ces endroits précis, pour appliquer davantage de ressources de calcul là où cela est pertinent.
Explorez-vous d’autres pistes aussi « révolutionnaires » que l’IA, comme le calcul quantique ?
Un ordinateur quantique est efficace pour résoudre des problèmes linéaires, comme la cryptographie ou encore le développement de molécules pour la pharmacie. En revanche, une telle architecture, même si elle peut aider le processus de maillage, n’est pas adaptée pour accélérer la résolution des équations différentielles d’ordre 2 ou 3 rencontrées dans la simulation physique numérique, qu'elle soit hybridée avec de l’IA ou pas. Mais on continue d’y travailler.
