MEGAVOLT

L'objectif de l'équipe MEGAVOLT est de développer de façon conjointe une expertise en équations d'évolution et leur analyse numérique, avec une expertise en apprentissage automatique (Machine Learning). Dans cette interaction croisée, deux directions se distinguent. 

D'une part utiliser les équations d'évolution pour développer la théorie du ML. Les méthodes de ML sont
apprises au cours d'une longue phase d'entraînement, pendant laquelle un algorithme d'optimisation
adapte une méthode aux données disponibles. La plupart des algorithmes d'optimisation
sont itératifs : ils améliorent la solution de manière répétée en lisant davantage de données
ou en effectuant davantage de calculs. Au cours de cette phase d'entraînement, les performances
de la méthode d'apprentissage évoluent (et s'améliorent généralement). Il est essentiel de comprendre
ces dynamiques de formation pour évaluer les performances de la
méthode formée et comprendre quelles tâches peuvent être apprises efficacement.

D'autre part utiliser le ML pour améliorer les techniques de modélisation numérique. La disponibilité de grandes quantités de données ouvre de nouvelles possibilités
pour enrichir et améliorer les modèles, et ainsi réduire les coûts de simulation.
Ce domaine émergent, communément appelé « apprentissage automatique scientifique »,
vise à fusionner les capacités prédictives des techniques de ML
avec l'interprétabilité et la résilience de la modélisation physique.