Génie électrique intelligent : développement d'outils de simulation de nouvelle génération avec les PINN et l'apprentissage machine // Intelligent Electrical Engineering: Developing Next-Gen Simulation Tools with PINNs and Machine Learning

La simulation et la modélisation des objets du génie électrique, met en jeux des équations complexes. La résolution de celles-ci peut entrainer des calculs couteux et long. Depuis plusieurs années des métamodèles ont été utilisés afin de réduire les temps de calcul, ils permettent à partir d'un large panel de modélisations (base de données existante) de résoudre rapidement (après un apprentissage) les équations par approximation ou par réseau de neurones (Machine learning). Mais l'utilisation de ces techniques nécessite d'une part d'avoir à disposition une large base de données de simulation (qui prend du temps à construire) et elles ne respectent pas forcément les lois de la physique. Dernièrement une nouvelle technique de simulation par réseaux de neurones informés par la physique est apparue (PINN pour Physicaly Informed Neural Networks). Ces techniques permettent de faire rentrer les équations et la physique dans la définition du réseau de neurones, permettant donc directement de les respecter, mais aussi de réduire fortement (voir annuler) la nécessité d'avoir une base de données de correspondance problème et solution. Les PINN commencent à être utilisées dans beaucoup de domaines, et nous nous proposons de les appliquer et les étudier dans les problématiques du génie électrique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Simulating and modeling electrical engineering objects involves complex equations. Solving them can involve long and costly calculations. For several years now, metamodels have been used to reduce calculation times. Using a wide range of models (from existing databases), they can quickly solve equations by approximation or by neural networks (machine learning). But using these techniques requires a large simulation database (which takes time to build), and they don't necessarily respect the laws of physics. Recently, a new simulation technique based on physically-informed neural networks (PINN) has emerged. These techniques make it possible to incorporate equations and physics into the definition of the neural network, thus directly respecting them, but also greatly reducing (or even cancelling out) the need for a problem-solution correspondence database. PINNs are beginning to be used in many fields, and we propose to apply and study them in electrical engineering problems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Programme COFUND DeMythif.AI

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

575 Electrical, Optical, Bio-physics and Engineering

Le candidat à la thèse doit être titulaire d'un mastère 2 ou équivalent international. Issu d'une formation en physique, génie électrique, intelligence artificielle ou mathématique il devra faire preuve d'un goût important pour la simulation numérique et son implémentation mais aussi pour les applications physiques
The thesis candidate must hold a Master's degree or international equivalent. With a background in physics, electrical engineering, artificial intelligence or mathematics, he or she should have a strong interest in digital simulation and its implementation, as well as in physical applications.