'Scientific machine learning' multi-fidélité avec entrées hétérogènes // Multi-Fidelity Scientific Machine Learning with Heterogeneous Inputs

Topic description

De nombreux problèmes d'ingénierie et de sciences reposent sur des phénomènes physiques complexes, difficiles à reproduire expérimentalement, et pour lesquels les campagnes de mesure sont coûteuses. La simulation numérique est donc essentielle pour la prédiction, la conception et l'aide à la décision. Dans des applications multi-physiques, fortement couplées et paramétrées, une simulation haute fidélité du système complet est souvent trop coûteuse pour être répétée (optimisation, quantification d'incertitudes, calibration, contrôle). Un exemple illustratif est l'hémodynamique computationnelle : les simulations 3D instationnaires sur géométries artérielles patient-spécifiques nécessitent la résolution des équations de Navier–Stokes, couplées à l'élasticité des parois et à des conditions aux limites issues de données cliniques ; elles sont précises mais trop coûteuses pour des études paramétriques systématiques, d'où l'usage de modèles simplifiés (1...