Raisonnement qualitatif et conception de systèmes complexes

Qualitative reasonning for the design of complex systems

• Auteur / Autrice : Baptiste Gueuziec
• Direction : Frédéric Boulanger
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 03/05/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Méthodes Formelles
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)

Mots clés

Mots clés libres

Raisonnement qualitatif

Exécution symbolique

Modélisation système

Qualitative reasonning

Symbolic execution

System modeling

Résumé

Contexte ======= La thèse se déroulera au sein du Laboratoire d'ingénierie des langages exécutables et optimisation (LIDEO) du CEA LIST. Ce laboratoire développe des méthodes et des outils pour la modélisation, la simulation et l'optimisation de systèmes complexes. Elle se fera en collaboration avec le Laboratoire Méthodes Formelles (UMR 9021) de l'Université Paris-Saclay. Sujet ==== La conception de systèmes complexes est une activité qui touche de nombreux domaines industriels ou de recherche, comme les systèmes cyber-physiques ou bio-informatiques, les grands systèmes de production industrielle ou d'urbanisme. Ces modèles complexes sont très souvent « hybrides », c'est à dire contenant des aspects discrets et continus. Cela implique une difficulté de modélisation par la nature hétérogène des données impliquées, et une difficulté de simulation liée à la complexité des comportements qui en découle. Deux grandes approches sont possibles pour construire des modèles et étudier leurs comportements. Les méthodes quantitatives, dont les analyses comme les prédictions sont numériques et nécessitent la connaissance d'un grand nombre de paramètres, sont les plus utilisées : leurs résultats sont précis mais elles sont consommatrices de temps et de ressources. Les méthodes qualitatives reposent sur une interprétation symbolique des modèles, et peuvent être utilisées sans connaître tous les paramètres numériques : elles s'appuient sur des relations de dépendance entre variables, et fournissent des résultats en termes de relations entre variables (par exemple une variable est supérieure à une autre) et de comportements qualitatifs (une variable est croissante, atteint un maximum, etc.). Elles sont moins précises mais consomment moins de ressources de calcul et peuvent s'appliquer très tôt dans la phase de conception, alors qu'on ne connaît pas encore les valeurs de certains paramètres. Les approches qualitatives sont très utiles pour structurer nos connaissances sur de grands systèmes complexes et peuvent servir à orienter les simulations numériques en fonction des objectifs à atteindre et améliorer les résultats de certaines analyses (preuves, optimisation, etc.). Ces techniques de modélisation et d'abstraction du raisonnement qualitatif et de la simulation qualitative [GP16] [TK02], basées sur la discrétisation des parties continues dans les systèmes hybrides, ont été étudiées au laboratoire LIDEO du CEA LIST au cours de deux thèses effectuées récemment. Ces techniques d'abstractions permettent aussi de produire des modèles intermédiaires à différents niveaux de détail pour faire du prototypage rapide, et de réduire le coût des simulations en s'affranchissant de nombreux calculs numériques dans les phases intermédiaires [ZYDG18]. Pour aller plus loin dans cette démarche, il est proposé d'effectuer un travail de réflexion portant sur les concepts de la physique naïve dont l'objectif est d'avoir une théorie des structures et des relations exprimées dans les descriptions macroscopiques des systèmes. Cela devra permettre de proposer une méthode de modélisation plus proche des concepts métier, en gardant la capacité de faire des simulations dans les paradigmes du raisonnement qualitatif. Pour cela on étudiera particulièrement les concepts du raisonnement de sens commun : c'est celui qui permet à l'humain de raisonner sans disposer d'informations numériques complètes, ni très précises ni très détaillées dans les dimensions de l'espace et du temps. Le raisonnement de sens commun peut servir de base au raisonnement qualitatif. Le raisonnement de sens commun peut avoir plusieurs sens : le premier est une forme de raisonnement précis et rigoureux qui a comme objet le monde du sens commun ; le second est le raisonnement tel qu'il est pratiqué par les humains dans leur vie quotidienne, de manière intuitive. Le premier sens est celui qui permet d'aller vers une ontologie formelle réaliste, et de produire des théories rigoureuses (physique naïve de Hayes [H79]). Le second sens permet de simuler le raisonnement quotidien, avec par exemples des règles d'inférence basées sur nos processus ordinaires de pensée. Le raisonnement qualitatif a suivi les travaux sur la physique naïve, qui s'est développée avec l'intelligence artificielle (IA) et la psychologie cognitive, puis les travaux sur la théorie des processus qualitatifs de Forbus [F84]. Ensuite furent développées les bases de la Simulation Qualitative qui permet de modéliser et de simuler des systèmes complexes tels que cyber-physiques ou biologiques. D'autre part, les méthodes formelles fournissent un ensemble de techniques qui permettent de factoriser certaines activités humaines intervenant dans le test, la preuve de propriétés et le diagnostic [MGCL07] [ZYDG17] [ZYDGT18], et peuvent être mise en place efficacement sur la base de modèles qualitatifs et de leurs simulations. Par ailleurs l'optimisation de systèmes complexes qui relève de la recherche opérationnelle, est souvent appelée à utiliser des algorithmes basés sur des heuristiques là où des méthodes exactes ne peuvent aboutir compte tenu de l'explosion combinatoire du problème. Les heuristiques sont souvent des adaptations de méta-heuristiques existantes. Leurs performances sont, la plupart du temps, le résultat d'une spécialisation en fonction des données initiales du problème. Cette spécialisation relève en général de la bonne connaissance des données et de l'intelligence de son auteur. Ces connaissances pourraient être représentées dans les paradigmes du raisonnement de sens commun en suivant la même démarche que celle de la physique naïve. Enfin, les automates hybrides sont un modèle formel des systèmes cyber-physiques, défini par des ensembles d'états et de variables discrètes et continues, sur lesquelles peuvent s'appliquer des transitions discrètes gardées. Pour les variables continues, les lois d'évolutions sont décrites par des équations différentielles. La simulation qualitative est basée sur la discrétisation par partitionnement des domaines de variation des variables continues, en se basant sur l'évolution de ces variables (croissantes, décroissantes ou constantes), donc sur les signes de leurs dérivées (positive, négative ou nulle). Finalement, on dispose d'un modèle global discret sur lequel il est possible de faire des vérifications de haut niveau. Si l'on ne dispose pas d'équations différentielles, il est nécessaire d'établir un modèle qualitatif qui établit les lois d'évolution des variables continues ainsi que les contraintes qui lient l'évolution de ces variables. Une solution est de modéliser ces contraintes par des relations de covariance et de contravariance entre les variables et leurs dérivées, conditionnées par des liens de causalité. En s'appuyant sur les travaux déjà effectués au CEA sur ce sujet, nous proposons de développer un outil de modélisation permettant de réaliser cette tâche en intégrant les concepts du sens commun. Déroulement de la thèse ================== Le doctorant fera dans un premier temps un état de l'art sur le raisonnement de sens commun, et notamment la physique naïve associée au raisonnement qualitatif. Il tentera ensuite d'exploiter ses conclusions et résultats pour améliorer la démarche de modélisation et d'optimisation fondée sur le paradigme du raisonnement qualitatif. Il pourra pour cela s'appuyer sur les résultats des thèses effectuées précédemment au laboratoire. Cette démarche devra s'inscrire dans le cadre d'une nouvelle plateforme du laboratoire LIDEO du CEA LIST qui est actuellement en cours de définition et dont un des aspects principaux est bien la modélisation à différents niveaux d'abstraction de systèmes dynamiques complexes. Les domaines d'applications potentiels sont les systèmes cyber-physiques ou bio-informatiques, mais dans cette problématique des grands systèmes, il est envisageable d'aborder les modèles de dynamique d'urbanisation, ou les modèles de production. Des cas d'étude seront sélectionnés pour expérimenter la méthode outillée proposée. Références ========= [GP16] JP Gallois, JY Pierron, Qualitative simulation and validation of complex hybrid systems, ERTS 2016 [MGCL07] D Mateus, JP Gallois JP Comet, P Le Gall Symbolic modeling of genetic regulatory networks, Journal of bioinformatics and computational biology, JBCB 2007 imperial College Press [TK02] A Tiwari, G. Khanna, 'Series of Abstractions for Hybrid Automata', In Hybrid Systems: Computation and Control, HSCC 2002. [ZYDG18] Hadi Zaatiti, Lina Ye, Philippe Dague and Jean-Pierre Gallois, Automating Abstraction Computations of Hybrid Systems , CICM 2018-11th Conference on Intelligent Computer Mathematics; Workshop FVPS 2018-Formal Verification of Physical Systems [ZYDG17] Hadi Zaatiti, Lina Ye, Philippe Dague and Jean-Pierre Gallois, Counter-Example Guided Abstraction Refinement for Hybrid Systems Diagnosability Analysis, 28th International Workshop on Principles of Diagnosis (DX'17), Brescia, Italy, 26 - 29 September 2017 [ZYDGT18] Hadi Zaatiti, Lina Ye, Philippe Dague, Jean-Pierre Gallois, Louise Travé-Massuyès, Abstractions Refinement for Hybrid Systems Diagnosability Analysis, Diagnosability, Security and Safety of Hybrid Dynamic and Cyber-Physical Systems 2018, Springer International Publishing, 279–318 [MPB18] Medimegh Slim, Pierron Jean-Yves, Boulanger Frédéric, A New Qualitative Language for Qualitative Simulation, International Symposium on Computer Science and Intelligent Control, Stockholm, Sweden, Sep 2018 (URL), (PDF), (BibTeX) [MPB18] Medimegh Slim, Pierron Jean-Yves, Boulanger Frédéric, Qualitative Simulation of Hybrid Systems with an Application to SysML Models, 6th International Conference on Model-Driven Engineering and Software Development, Funchal, Portugal, Jan 2018, SCITEPRESS - Science and Technology Publications (URL), (PDF), (BibTeX) [MPGB16] Medimegh Slim, Pierron Jean-Yves, Gallois Jean-Pierre, Boulanger Frédéric, A New Approach of Qualitative Simulation for the Validation of Hybrid Systems, GEMOC International Workshop on The Globalization of Modeling Languages at MODELS 2016, Saint Malo, France, Oct 2016, (URL), (PDF), (BibTeX) [F84] Forbus, K. 1984 “Qualitative Process Theory”, Artifical Intelligence, 24, 85-168. [H79] Hayes, Pat (1979). Michie, Donald (ed.). 'The naive physics manifesto'. Expert Systems in the Micro-electronic Age. Edinburgh: Edinburgh University Press. ISBN 0-85224-381-2.

Context ====== The PhD will be done at the Laboratoire d'ingénierie des langages exécutables et optimisation (LIDEO) of CEA LIST, jointly with the Formal Methods Laboratory (Laboratoire Méthodes Formelles, UMR 9021) of University Paris-Saclay. Topic ==== During the design of complex systems, two main approaches can be used to model and study the behavior of the system. Quantitative methods give precise results, but require precise input data and power consumming computations. Qualitative methods rely on the symbolic interpretation of the model, and can be used even when not all parameters are known. They take into account dependency relations between state variables and qualitative behaviors (the variable is increasing, it reaches a maximum etc.) These methods are less precise but easier to compute, and they can be used in the early stages of the design when not all parameters of the system are known. Qualitative approaches are very useful to structure our knowledge about large complex systems, and can help targeting numerical simulations according to various goals. Such techniques [GP16] [TK02], based on the discretization of continuous behaviors in hybrid systems, have been studied at the LIDEO lab of CEA LIST during two recent Phd thesis. They can be used to reduce the cost of simulations by bypassing numerous computations in intermediary phases [ZYDG18]. To go further in this direction, we propose to study naïve physics [H79], whose objective is to have a theory of the structure of the relations expressed in macroscopic descriptions of the system. This should lead to a modeling method that is closer to business concepts, while keeping the possibility to run simulations in the framework of qualitative reasonning. Common sense reasonning will be the focus of the study beacuse it allows human being to reason about behaviors without precise numeric data. Formal methods are also to be considered since they provide a set of techniques to factor out some human activities involved in testing, proving properties, and diagnosis [MGCL07] [ZYDG17] [ZYDGT18]. They can be used in an efficient way on qualitative models. Relying on previous work at CEA on this topic, we propose to design a modeling framework for qualitative reasoning about hybrid systems, integrating common sense reasonning.