Étude de l’utilisation de réseaux de neurones artificiels pour des calculs de haute performance dédiés à la modélisation du transport de sources énergétiques

Study of the use of neural networks for high-performance calculations dedicated to the modeling of the transport of energy sources

• Auteur / Autrice : Corisande Lamy
• Direction : Bruno Dubroca, Jean-Luc Feugeas, Philippe Nicolaï
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Soutenance le 21/11/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Centre Lasers Intenses et Applications (Bordeaux ; 1999-....) - Laboratoire des Composites Thermostructuraux (Bordeaux)
• Jury : Président / Présidente : Olivier Saut
• Jury : Examinateurs / Examinatrices : Gilles Kluth, Marina Olazabal-Loumé, Charles Frédérique
• Jury : Rapporteurs / Rapporteuses : Guillaume Perrin, Laurent Boudin

Mots clés

Mots clés contrôlés

Modèles mathématiques

Hydrodynamique

Calcul intensif (informatique)

Réseaux neuronaux (informatique)

Mots clés libres

Réseaux de neurones artificiels

Transport de sources énergétiques

Modélisation

Apprentissage profond

Fusion par confinement inertiel

Radiothérapie

Artificial neural networks

Transport of energy sources

Mathematical modelling

Deep learning

Inertial confinement fusion

Radiotherapy

Résumé

Quels que soient leurs domaines d’application, les codes de calcul modernes sont soumis à des exigences de rapidité de calcul et d’optimisation d’occupation de la place mémoire, qui requièrent l'utilisation de méthodes numériques évoluées. Pour répondre à ces besoins de traitement de données massives et de calculs intensifs, les méthodes d’apprentissage profond se positionnent comme des réponses alternatives efficaces et extrêmement attractives.Ce manuscrit de thèse présente une étude sur le couplage de réseaux de neurones artificiels à des codes de calcul haute performance dédiés à des simulations des phénomènes de physique complexes, plus particulièrement en lien avec des théories de transport. Le premier cadre d'application concerne la simulation d'expériences de fusion par confinement inertiel pour la production d'énergie, et en particulier, la modélisation du transport de chaleur électronique non local. Le second domaine d'application est le transport et dépôt d'énergie de particules en radiothérapie pour le traitement des cancers.Les deux études du couplage de réseaux de neurones artificiels à des codes de calcul haute performance, développés par l'équipe de recherche IFCIA au laboratoire CELIA, sont présentées dans ce manuscrit, et montrent des résultats encourageants : pour des critères de précision largement suffisant pour ces applications, nous obtenons des gains de temps considérables. Cette étude préliminaire de faisabilité encourage l'équipe du CELIA à poursuivre ce travail dans les années à venir.

Whatever their fields of application, modern computation codes are subject to requirements for speed of calculation and optimization of memory space occupation, which necessitate the use of advanced numerical methods. To meet these needs for massive data processing and intensive calculations, deep learning methods offer effective and extremely attractive alternative responses.This thesis manuscript presents a study on the coupling of artificial neural networks to high performance computing codes dedicated to simulations of complex physical phenomena, more particularly in connection with transport theories. The first application framework concerns the simulation of inertial confinement fusion experiments for the production of energy, and in particular, the modeling of nonlocal electronic heat transport. The second field of application is the transport and deposition of energy from particles in radiotherapy for the treatment of cancers.The two studies of the coupling of artificial neural networks to high performance computing codes developed by the IFCIA research team at the CELIA laboratory, are presented in this manuscript, and show encouraging results: for precision criteria largely sufficient for these applications, we obtain considerable time savings. This preliminary feasibility study encourages the CELIA team to continue this work in the years to come.