Thèse en cours

Construction de modèles de substitution multiniveaux basés sur la physique à partir de réseaux neuronaux. Application à la propagation des ondes électromagnétiques

FR  |  
EN
Auteur / Autrice : Daria Hrebenshchykova
Direction : Stéphane Lanteri, Victor Michel-dansac
Type : Projet de thèse
Discipline(s) : Doctorat mathematiques
Date : Inscription en doctorat le 01/11/2024
Etablissement(s) : Université Côte d'Azur
Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
Partenaire(s) de recherche : Laboratoire : INRIA - ATLANTIS - Modélisation et méthodes numériques pour le calcul d'interactions onde-matière nanostructurée

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Les simulations numériques des problèmes de propagation des ondes électromagnétiques reposent principalement sur une discrétisation spatiale du système d'équations de Maxwell à l'aide de méthodes telles que les différences finies ou les éléments finis. Pour des situations tridimensionnelles complexes et réalistes, un tel processus peut s'avérer prohibitif sur le plan du calcul, en particulier lorsque l'objectif final consiste en des analyses à multiples requêtes (par exemple, conception de l'optimisation et quantification de l'incertitude). Par conséquent, le développement de modèles de substitution rentables revêt une grande importance pratique. Il existe différentes façons de construire des modèles de substitution pour un système donné d'équations aux dérivées partielles (EDP) d'une manière non intrusive (c'est-à-dire avec des modifications minimales d'une méthodologie de simulation basée sur la discrétisation existante). Ces dernières années, les approches basées sur les réseaux neuronaux (NN) et l'apprentissage profond (DL) se sont révélées très prometteuses, grâce à leur capacité à traiter des problèmes non linéaires et/ou de haute dimension. Les réseaux neuronaux basés sur des modèles, par opposition aux réseaux neuronaux purement axés sur les données, font actuellement l'objet d'intenses recherches pour concevoir des modèles de substitution très performants d'EDP paramétriques. Le concept des réseaux neuronaux informés par la physique (PINN) en est un exemple typique. Les PINN sont des réseaux neuronaux formés pour résoudre des tâches d'apprentissage supervisé tout en respectant certaines lois physiques données, décrites par un système d'EDP (éventuellement non linéaire). Les PINN peuvent être considérés comme une approximation continue de la solution de l'EDP. Ils intègrent de manière transparente les informations provenant à la fois des données et des EDP en intégrant les EDP dans la fonction de perte d'un réseau neuronal. La différenciation automatique est ensuite utilisée pour différencier le réseau et calculer la fonction de perte. Suivant des idées similaires et s'appuyant sur le résultat largement connu selon lequel les réseaux neuronaux sont des approximateurs universels de fonctions continues, les DeepONets sont des réseaux neuronaux profonds (RNP) dont l'objectif est d'apprendre des opérateurs continus ou des systèmes complexes à partir de flux de données éparses. Un DeepONet se compose d'un DNN pour coder l'espace des fonctions d'entrée discrètes (branch net) et d'un autre DNN pour coder le domaine des fonctions de sortie (trunk net). Les PINN et les DeepONet ne sont que deux exemples des nombreux DNN qui ont contribué à rendre le domaine de l'apprentissage scientifique des machines (SciML) si populaire ces dernières années. Le principal défi lors de la conception de réseaux DNN basés sur la physique et évolutifs pour des applications réalistes est le coût de calcul de l'entraînement du réseau, en particulier lorsqu'ils ne sont utilisés que pour la modélisation directe. Un autre problème important réside dans leur capacité à traiter avec précision des problèmes à haute fréquence et/ou à plusieurs échelles. En particulier, il a été observé que, lorsque des fréquences plus élevées et des caractéristiques multi-échelles sont présentes dans la solution de l'EDP, la précision des PINN diminue rapidement, tandis que le coût de l'apprentissage et de l'évaluation augmente considérablement. Les raisons de ce comportement sont multiples. L'une d'entre elles est le biais spectral des NNs, qui est la propriété bien étudiée selon laquelle les NNs ont des difficultés à apprendre les hautes fréquences. Dans le présent projet de doctorat, nous proposons d'étudier des stratégies distribuées à plusieurs niveaux pour l'entraînement rapide de DNN basés sur la physique pour la modélisation de la propagation des ondes électromagnétiques dans le domaine des fréquences. Nous étudierons en particulier les stratégies qui peuvent traiter avec précision et efficacité la simulation de l'interaction des ondes électromagnétiques avec des milieux hétérogènes et des structures de diffusion géométriquement complexes. Dans ce contexte, le but ultime de ce projet est de développer des substituts NN paramétriques de haute performance qui seront utilisés comme modèle avant dans les études de conception inverse. La première étape consistera à développer de nouvelles méthodologies et évaluer leurs performances dans un cas bidimensionnel simplifié, sur une EDP de type Helmholtz. L'extension aux équations de Maxwell tridimensionnelles plus générales sera envisagée dans un deuxième temps, sur la base des résultats obtenus dans le cas de Helmholtz en deux dimensions spatiales.