Julien Salomon (Inria Paris) : Correction par apprentissage
Séminaire « Analyse numérique et équations aux dérivées partielles »Plusieurs sources d'erreur peuvent affecter une simulation. Il peut par exemple s'agir d'une incertitude de mesure, d'une erreur de schéma ou encore d'une modélisation imparfaite. Dans cette exposé, nous présentons des stratégies de corrections par apprentissage en nous concentrant sur ces deux derniers cas. La démarche que nous proposons consiste à introduire un réseau de neurones dans le schéma que l'on entraîne à partir de données haute fidélité. L'apprentissage est donc indirect, dans le sens où les données ne sont pas des couples (entrée,sortie), classique en apprentissage supervisé, mais des résultats de simulations dans lequel le réseau intervient intérieurement. Nous détaillons plusieurs approches permettant d'optimiser l'apprentissage.