CATALYST: La forge de modèles hybrides fiables

Aperçu

Un jumeau numérique (JN) est une collection coordonnée de modèles numériques qui reflète un système physique tout au long de son cycle de vie. Continuellement actualisé avec des données en temps réel, il s’appuie sur des techniques de raisonnement telles que la simulation et l’apprentissage automatique pour soutenir des tâches allant de la prédiction à la prise de décision en temps réel.

Parce qu’aucun modèle unique ne peut capturer tous les aspects d’un système complexe, un JN rassemble diverses disciplines — description d’architecture, modélisation et simulation, et science des données — chacune contribuant des modèles avec différentes structures, fidélités et objectifs.

Ces modèles peuvent être classés selon plusieurs dimensions, telles que la méthode d’inférence (inductive vs. déductive), l’approche de modélisation (empirique vs. mécaniste), la préoccupation (comportementale, structurelle, sécurité, etc.), l’objectif (descriptif vs. prescriptif), la fidélité et la portée temporelle.

La plupart des JN s’appuient sur l’hybridation, combinant des modèles complémentaires — pilotés par les données, basés sur la physique ou mixtes — pour améliorer la précision, la robustesse et l’adaptabilité. Des techniques telles que les réseaux de neurones informés par la physique et la quantification de l’incertitude illustrent comment des modèles hétérogènes peuvent être fusionnés pour exploiter leurs forces respectives. De nos jours, cette hybridation est réalisée de manière ad hoc et nécessite par conséquent une approche plus systématique et fondée sur des principes établis.

Pour répondre à cette problématique, le projet Catalyst se concentre sur trois axes de recherche liés à l’hybridation des modèles :

• la définition d’interfaces cohérentes pour l’interrogation et la manipulation des modèles ;
• la spécification d’opérateurs de composition permettant d’hybrider et de fédérer les modèles ;
• la mise en oeuvre d’outils appropriés de vérification et de validation pour alimenter ces interfaces et comprendre leurs compositions.

À travers ces axes de recherche, l’objectif de Catalyst est de développer un ensemble de méthodes et d’outils permettant de manipuler de manière homogène des modèles déductifs et inductifs, tout en conservant l’accès à leurs principales caractéristiques afin de les hybrider et de les fédérer de manière fiable.

Cas d’Usage Associés

Les cas d’usage dans Catalyst incluront divers jumeaux numériques représentant diverses entités physiques. Les cas d’usage prècis sont actuellement en cours d’élicitation.

Investigateur et Partenaires du Projet

À ce jour, les partenaires impliqués sont les suivants: Université Côte d’Azur, I3S, Inria, CETIM, INRAE, Telecom Paris, Aniti, Université de Pau et des Pays de l’Adour, IMT-Atlantique, CEA et IRIT.

Investigateur Principal :

Julien Deantoni

Professeur des Universités à l'Université Côte d'Azur et Responsable de l'équipe Kairos

Julien Deantoni est professeur des universités à l’Université Côte d’Azur et responsable de l’équipe Kairos. Il applique des modélisations et abstractions rigoureuses pour les modèles hétérogènes depuis sa thèse de doctorat en 2007. Il a publié sur l’importance de gérer la globalisation des langages de modélisation il y a plus de 10 ans. Depuis, il a publié divers articles et développé des outils pour faciliter cette globalisation. Il a également publié des articles soulignant la nécessité de considérer la sémantique des différents modèles pour des simulations collaboratives plus précises et efficaces. Plus récemment, il a travaillé sur la notion de multi-fidélité dans les jumeaux numériques et a déjà hybridé des modèles de JN afin d’atténuer l’incertitude et par conséquent fournir un meilleur contrôle dans le JP. Conjointement, il a participé à de nombreux projets collaboratifs.

Partenaires Participants :

Partenaires Externes :

Mise en Oeuvre du Projet

Le projet est structuré en trois packages de travail cohérents, avec la multi-fidélité et l’incertitude abordées tout au long.