|
5-7 nov. 2025 Besançon (France)
|
Conférenciers & résumés
Dr. Xu Chu
Ingénieur en IA et Chercheur en IA fondés sur l’agentic-AI
L’agentic-AI redéfinit notre manière de concevoir et de découvrir. Dans cette conférence, je présente deux rôles : l’ingénieur en IA — illustré par OpenFOAMGPT, un flux de travail multi-agents fiable, complet, couvrant le prétraitement, la simulation, le post-traitement et la validation automatisée, avec des résultats reproductibles sur des tâches canoniques et industrielles. En parallèle, le scientifique en IA — turbulence.ai — automatise la génération d’idées, la simulation, l’analyse et la rédaction, compressant des cycles de R&D de plusieurs années (y compris la rédaction d’articles scientifiques et même de thèses de doctorat) en quelques secondes, accélérant radicalement la découverte de connaissances. Ensemble, ces deux approches annoncent une nouvelle vague de destruction créatrice en ingénierie et en science, ouvrant la voie à des produits conçus et à des lois découvertes par des systèmes agentiques, sous supervision humaine.
Fabien Casenave – Safran Tech
Apprentissage scientifique automatique pour la conception industrielle chez Safran : explorations et perspectives
Dans un groupe industriel comme Safran, la simulation numérique des phénomènes physiques est utilisée dans la plupart des processus de conception de produits. Au sein du centre de recherche de l’entreprise, nous développons des technologies pour améliorer ces processus en dérivant des modèles substituts rapides et fiables pour diverses physiques. Lors de cette présentation, nous aborderons des travaux récents dans cette direction, sélectionnés parmi les techniques de modélisation réduite physique, les approches basées sur l’apprentissage pour la variabilité géométrique non paramétrée, et les méthodes de prédiction conforme pour les champs spatiaux.
Nous présenterons également notre initiative d’open-data et d’open-benchmarking pour le machine learning informé par la physique, visant à promouvoir une recherche reproductible et collaborative entre le monde académique et l’industrie. Cet effort repose sur PLAID (Physics Learning AI Datamodel), qui définit un standard pour les jeux de données de simulations physiques et fournit des outils complémentaires pour le prétraitement des données et l’interface avec les bibliothèques SciML.
