Acceleration of Numerical Simulations with Deep Learning : Application to Thermodynamic Equilibrium Calculations
Accélération des Simulations Numériques avec l'Apprentissage Profond : Application aux Calculs d'Équilibre Thermodynamique
Résumé
Numerical simulations are a powerful tool for analyzing dynamic systems, but can be computationally expensive and time-consuming for complex systems with high resolution. Over the past decades, researchers have been striving to accelerate numerical simulations through algorithmic improvements and high-performance computing (HPC). More recently, artificial intelligence (AI) for science is on the rise and involves using AI techniques, specifically machine learning and deep learning, to solve scientific problems and accelerate numerical simulations, having the potential to revolutionize a wide range of fields. The primary goal of this thesis is to speed up thermodynamic equilibrium calculations by means of techniques used to accelerate numerical simulations. Thermodynamic equilibrium calculations are able to identify the phases of mixtures and their compositions at equilibrium and play a pivotal role in many fields, such as chemical engineering and petroleum industry. We achieve this goal from two aspects. One the one hand, we use deep learning frameworks to rewrite and vectorize algorithms involved in thermodynamic equilibrium calculations, facilitating the use of diverse hardware for HPC. On the other hand, we use neural networks to replace time-consuming and repetitive subroutines of thermodynamic equilibrium calculations, which is a widely adopted technique of AI for science. Another focus of this thesis is to address the challenge of domain generalization (DG) in image classification. DG involves training models on known domains that can effectively generalize to unseen domains, which is crucial for deploying models in safety-critical real-world applications. DG is an active area of research in deep learning. Although various DG methods have been proposed, they typically require domain labels and lack interpretability. Therefore, we aim to develop a novel DG algorithm that does not require domain labels and is more interpretable.
Les simulations numériques sont un outil puissant pour analyser les systèmes dynamiques, mais peuvent être coûteuses en termes de calcul et prendre beaucoup de temps pour les systèmes complexes à haute résolution. Au cours des dernières décennies, les chercheurs se sont efforcés d'accélérer les simulations numériques grâce à des améliorations algorithmiques et au calcul haute performance (HPC). Plus récemment, l'intelligence artificielle (IA) pour la science est en plein essor et implique l'utilisation de techniques d'IA, spécifiquement l'apprentissage automatique et l'apprentissage profond, pour résoudre des problèmes scientifiques et accélérer les simulations numériques, ayant le potentiel de révolutionner un large éventail de domaines. L'objectif principal de cette thèse est d'accélérer les calculs d'équilibre thermodynamique au moyen de techniques utilisées pour accélérer les simulations numériques. Les calculs d'équilibre thermodynamique sont capables d'identifier les phases des mélanges et leurs compositions à l'équilibre et jouent un rôle crucial dans de nombreux domaines, tels que le génie chimique et l'industrie pétrolière. Nous atteignons cet objectif sous deux aspects. D'une part, nous utilisons des cadres d'apprentissage profond pour réécrire et vectoriser les algorithmes impliqués dans les calculs d'équilibre thermodynamique, facilitant l'utilisation de matériel divers pour le HPC. D'autre part, nous utilisons des réseaux neuronaux pour remplacer les sous-routines longues et répétitives des calculs d'équilibre thermodynamique, ce qui est une technique largement adoptée de l'IA pour la science. Un autre point central de cette thèse est de relever le défi de la généralisation de domaine (DG) dans la classification d'images. La DG implique l'entraînement de modèles sur des domaines connus qui peuvent efficacement se généraliser à des domaines inconnus, ce qui est crucial pour le déploiement de modèles dans des applications réelles critiques pour la sécurité. La DG est un domaine de recherche actif en apprentissage profond. Bien que diverses méthodes DG aient été proposées, elles nécessitent généralement des étiquettes de domaine et manquent d'interprétabilité. Par conséquent, nous visons à développer un nouvel algorithme DG qui ne nécessite pas d'étiquettes de domaine et est plus interprétable.
| Origine | Version validée par le jury (STAR) |
|---|