Au-delà de nos missions, nous menons des travaux de recherche appliquée, au croisement de l’intelligence artificielle, de la simulation numérique et des systèmes de calcul. Recherche et missions s’enrichissent mutuellement : nos travaux alimentent nos solutions, et les problèmes rencontrés chez nos clients ouvrent de nouvelles pistes de recherche.
Thèmes de recherche
Deep learning pour la simulation physique
Les solveurs numériques classiques sont précis, mais coûteux en temps de calcul. Nous développons des modèles de substitution, comme les réseaux de type PINN (Physics-Informed Neural Networks) ou les opérateurs neuronaux (Neural Operators), capables d’approcher leurs résultats en une fraction du temps, afin de rendre possibles l’exploration de grands espaces de conception, l’optimisation et la simulation en temps réel.
Un modèle purement fondé sur les données peut produire des résultats physiquement incohérents, en particulier hors de son domaine d’entraînement. Nous travaillons sur des approches hybrides qui intègrent les lois physiques au cœur de l’apprentissage, pour obtenir des modèles plus fiables, moins gourmands en données, et capables de résoudre des problèmes inverses, comme l’identification de paramètres physiques à partir de mesures.
Jumeaux numériques IA
Nous étudions la conception de jumeaux numériques hybrides, qui combinent modèles numériques conventionnels (éléments finis…), données réelles issues de capteurs installés sur les systèmes industriels, et algorithmes de deep learning. Nos travaux portent sur le développement d’architectures avancées de deep learning, afin de concevoir des répliques numériques haute-fidélité, notamment pour les procédés industriels.
Choisir l’infrastructure d’un système IA suppose de prédire ses performances, sa consommation énergétique et son coût avant même de l’acheter. Nous développons des simulateurs analytiques qui modélisent ces grandeurs, de la station de travail au serveur, et les calibrons à partir de mesures sur du matériel réel. Ces travaux contribuent à une IA plus sobre, dimensionnée au juste besoin.
Collaborations scientifiques
Projet européen
Solver-Integrated Machine Learning: Embedding Data‑Driven Models within Physics Solvers
Hexo Signal participe à ce projet de recherche européen sur le machine learning informé par la physique : des réseaux de neurones couplés à des méthodes de simulation numérique particulaires.