Thèse en cours

Préconditioneurs et solveur basés sur de réseaux de neurones pour les systèmes linéaires creux.

FR  |  
EN
Auteur / Autrice : Brieuc Antoine dit urban
Direction : Frederic Nataf
Type : Projet de thèse
Discipline(s) : Mathématiques
Date : Inscription en doctorat le 01/10/2024
Etablissement(s) : Sorbonne université
Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
Partenaire(s) de recherche : Laboratoire : Centre INRIA de Paris

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Avec l'arrivée des machines exascales en Europe, notamment en Allemagne et en France d'ici 2026, il est crucial d'optimiser les outils de simulation numérique afin d'exploiter pleinement ces nouvelles capacités de calcul. Les simulations numériques sont fondamentales dans de nombreux domaines, tels que la mécanique des fluides numérique, où elles permettent de modéliser des écoulements complexes (multiphasiques, turbulents, compressibles). L'efficacité des solveurs de systèmes linéaires, souvent mal conditionnés, est déterminante pour la performance de ces simulations. Ce travail de thèse s'inscrit dans ce contexte, en collaboration avec l'IFPEN, l'ONERA et l'INRIA, et vise à améliorer la robustesse et la performance des méthodes actuelles de préconditionnement. L'objectif est de développer de nouveaux algorithmes pour la construction de préconditionneurs adaptés aux systèmes de plus en plus larges, résultant par exemple de la discrétisation des équations de la mécanique des fluides compressibles en régime transsonique à grand nombre de Reynolds. L'objectif principal est de concevoir des préconditionneurs plus efficaces et adaptatifs en à partir de réseaux de neurones sur des graph (GNN) tirant parti de la bijection entre les matrices et les graphs. Il est aussi envisageable d'utiliser ces méthodes pour tenter de prédire directement la solution de ces systèmes. Les méthodes développées seront testées sur des cas concrets issus des simulations de l'IFPEN (Géoscience, Interaction Fluide-Particule, Eoliennes) et de l'ONERA (écoulements transsoniques compressibles). Les méthodes ayant des résultats probants seraient ensuite potentiellement intégrées dans des bibliothèques de calcul existantes, telles que MCGSolver de l'IFPEN et Aghora de l'ONERA. Cette thèse vise donc à combiner les avancées en apprentissage automatique et les techniques classiques de résolution de systèmes linéaires pour proposer des outils de simulation numérique capables de tirer parti des nouvelles architectures de calcul haute performance, tout en répondant aux défis de robustesse et d'efficacité.