Approches hybrides Modèles physiques/simulation et modèles données

Dans les sciences informatiques et mathématiques appliquées, le défi est de créer une méthodologie innovante qui combine les modèles physiques, comme la simulation multi-agents (Thème 1) et les modèles basés sur les données (Thème 2), afin d'exploiter leurs forces complémentaires.

Avantages et Limites des Modèles Hybrides

Les modèles physiques, qui s'appuient sur des lois et équations mathématiques, offrent une compréhension approfondie des systèmes étudiés. Cependant, ils peuvent rencontrer des difficultés à modéliser précisément les systèmes physiques réels, entraînant des écarts entre prévisions et observations. Les modèles de simulation, y compris les systèmes multi-agents, rencontrent des limites similaires, en particulier lors du calibrage. Par contraste, les modèles basés sur les données, bien qu'efficaces, dépendent fortement de la disponibilité de bases de données exhaustives, souvent difficiles à obtenir. Ces modèles peuvent également être limités dans la prévision de scénarios inédits, n'ayant jamais été observés dans les données d'entraînement.

Modélisation des Systèmes de Mobilité

L'un des domaines d'application de ces modèles hybrides est la modélisation des systèmes de mobilité. L'intégration de modèles orientés-données avec des approches multi-agents permet d'améliorer les simulations avec des données plus précises. Les principaux défis de cette intégration résident dans la fusion efficace des données et dans la conciliation entre les aspects déterministes des simulateurs et le caractère probabiliste des modèles basés sur les données.

Régulation et Optimisation de la Mobilité

Dans le domaine de la régulation et de l'optimisation de la mobilité, le couplage de plateformes de régulation, comme Claire développée au Grettia et industrialisée chez Thales, avec des techniques d'apprentissage automatique, s'avère prometteur. Ces systèmes de régulation, qui s'appuient actuellement sur l'expérience des opérateurs et des interactions entre carrefours, pourraient être améliorés par l'apprentissage par renforcement, afin de mémoriser et d'optimiser l'impact des actions passées.

Contrôle Optimal via l'Apprentissage par Renforcement

L'apprentissage par renforcement ouvre également de nouvelles perspectives dans le contrôle optimal de systèmes complexes, comme les lignes de métro et les véhicules autonomes. Le Grettia envisage de collaborer avec des équipes académiques spécialisées dans ce domaine pour approfondir ces recherches.

Efficacité Énergétique des Bâtiments

Enfin, dans le domaine de l'efficacité énergétique des bâtiments, l'intégration de modèles thermiques avec des méthodes basées sur les données est un axe de recherche important. Ce projet, mené en partenariat avec les laboratoires Lisis de Cosys et Esycom de l'Esiee dans le cadre de l'initiative Isite André, vise à réduire l'écart entre les prévisions de performance énergétique et les consommations réelles.