im1

De nos jours, l’intelligence artificielle (IA) est souvent associée à diverses capacités : résoudre des problèmes, prendre des décisions, apprendre par soi même, etc. Les vidéos dans lesquelles l’on voit les robots capables, de manière totalement autonome, de réaliser des tâches complexes, impressionnent et illustrent bien cette attente.

Seulement, il faut garder en tête que l’IA trouve également son utilité, surtout dans le monde industriel, dans sa capacité à concevoir des systèmes (ou au moins à les optimiser), comme cet article va le présenter à travers quelques exemples courants, origine d’un domaine d’activité bien connu maintenant : la M.D.O. (Multidisciplinary Design Optimisation).

 

L’exemple célèbre de l’antenne satellitaire de la NASA

La NASA travaille depuis longtemps sur la miniaturisation de l’avionique des systèmes orbitaux, afin d’améliorer les capacités de nanosatellites : A quoi cela servirait-il d’avoir une plate-forme tenant dans la main, si son antenne fait une centaine de fois sa taille ?

L’agence spatiale américaine a donc lancé Space Technology 5 (ST-5), une mission ayant pour but d’explorer de nouvelles configurations embarquées de petits systèmes, et de tenter de leur faire effectuer des tâches plus importantes, habituellement destinées aux satellites classiques de plus grande taille, et ceci à moindre coût.

De ce fait, la conception d’un nouveau type d’antenne était nécessaire, et quoi de mieux que l’intelligence artificielle (et principalement l’évolution artificielle) pour trouver des solutions auxquelles aucun être humain n’aurait pensé ? Mais comment ça marche ?

Copyright NASA

 

Principe de l’évolution artificielle

« Selon Darwin, la base de l’évolution est liée à des modifications aléatoires héréditaires au sein d’organismes d’une même espèce. Les modifications avantageuses sont adoptées tandis que les autres disparaissent par sélection naturelle : un organisme plus faible a moins de chances de trouver de la nourriture et de se reproduire dans un environnement hostile. » précise Evelyne Lutton, maitre en la matière.

En d’autres termes, seuls les individus les plus adaptés d'une génération survivent pour produire une descendance. Au fil des générations, les traits qui entravent la survie sont éliminés, tandis que les traits bénéfiques deviennent plus fréquents.

C’est ce principe qui est appliqué par les algorithmes issus de l’évolution artificielle, notamment dans la conception automatique ; il est particulièrement utile pour résoudre les problèmes très difficiles, comme la création de nouvelles antennes.

Il consiste à :
    - créer une population de solutions potentielles au problème donné, par le hasard ;
    - faire converger ces solutions potentielles (ou individus), formant une population, vers la meilleure solution possible, par l’intermédiaire de leur évaluation appelée fitness.

Le secret est donc qu’il faut être capable d’évaluer chaque solution potentielle (individu de la population) pour savoir si elle est potentiellement bonne ou pas. Pour ce faire, l’évolution artificielle doit être connectée à un simulateur qui teste chaque solution potentielle trouvée, en fonction de la problématique.

C’est ainsi qu’une sélection des solutions potentielles (individus de la population) les plus prometteuses sera effectuée, pour la génération suivante, sachant qu’entre chaque génération, une série de transformations, appelée opérations génétiques est réalisée (aux personnes intéressées à poster une question sous l’article ou à approfondir ce sujet).

 

Et notre antenne dans tout ça ?

D’abord, il faut structurer le type d’antenne que l’on va générer : elle sera constituée de petites tiges métalliques, de longueurs différentes, de directions différentes, et d’emplacements différents.

Dans un premier temps, de nombreuses conceptions aléatoires sont donc créées, par le hasard le plus total, et testées par l’intermédiaire d’une simulation par ordinateur, qui évalue les capacités de retransmission de l’antenne : c’est l’initialisation de la population des conceptions (individus).

L'ordinateur doit donc juger leur performance par rapport à certain nombre d’objectifs à atteindre : l'efficacité, un angle de diffusion étroit ou large, la gamme de fréquences, et ainsi de suite. Une note est attribuée à chaque conception (individu) : ce qu’on appelle « fitness ».

Comme pour la nature (selon Darwin), les solutions les plus prometteuses sont conservées, et servent de « parents » d'une nouvelle génération suivante. Les caractéristiques (longueurs, directions et emplacements des tiges) des « parents » sont mélangées à travers des opérations génétiques (croisements, mutation, etc.) pour donner des nouvelles solutions potentielles « enfants », qui seront à leur tour évaluées par rapport à leur performance.

Ce processus est répété des milliers, des millions de fois, jusqu'à ce qu’une conception réponde aux critères définis au départ par le concepteur (humain).

 

Temps nécessaire à une conception ?

La pire réponse possible, et pourtant, elle est vraie : cela dépend.

La partie de l’algorithme prenant le plus de temps est l’évaluation de chaque conception potentielle (individu), car pour ce faire, chaque conception est testée dans un simulateur, et le temps complet du design dépendra directement du temps pris par le simulateur pour tester chaque individu, sachant qu’une population peut contenir de milliers d’individus, sur des centaines de générations.

Avec les ordinateurs rapides d'aujourd'hui, des millions de générations peuvent être simulées en seulement un jour ou deux. De plus, si le simulateur peut se paralléliser, les GPGPU (carte graphique multiprocesseur) peuvent largement accélérer ces délais.

 

Application à l’aéronautique

Bien entendu, cette approche n’est pas uniquement valable pour la création d’antennes, et d’autres applications industrielles bénéficient de cette technologie, comme l’aéronautique, notamment dans le domaine de l’aérodynamique.

Etant donné qu’une population de solutions potentielles (individus) peut trouver une conception innovante destinée à résoudre une problématique d’ingénierie, un tel algorithme peut tout autant être appliqué à l’optimisation d’un profil d’aile bidimensionnel d’un aéronef, ce qui a déjà été fait de nombreuses fois.

OPTIMIZATIONS OF AIRFOIL AND WING USING GENETIC ALGORITHM - F. Zhang, S. Chen and M. Khalid

Dans ce cas particulier, chaque solution potentielle (individu) n’est plus des tiges reliées entre elles, mais des points i de coordonnées (xi,yi), sachant que la courbe les reliant forme un profil d’aile. Le simulateur, ainsi utilisé pour évaluer le profil d’aile de chaque individu et ainsi lui donner une note (fitness), n’est rien d’autre qu’une soufflerie virtuelle, dite CFD.  

OPTIMIZATIONS OF AIRFOIL AND WING USING GENETIC ALGORITHM - F. Zhang, S. Chen and M. Khalid

 

L’Onera travaille depuis des années sur ce type d’optimisation, mais abordant la problématique dans un aspect tridimensionnel, dans l’optimisation de la forme d’une aile volante.

 

Copyright ONERA

 

Comme il est indiqué sur le site Internet de l’Office : « Le département contribue au développement des différents modules de cette chaîne dont la maturité est désormais suffisante pour introduire l’optimisation numérique dans le cadre de nombreux projets … D’autres configurations nouvelles font actuellement l’objet de travaux importants dans le département. On peut citer l’étude de nouvelles configurations d’avions avec installations motrices innovantes, pour des moteurs à très grand taux de dilution, la prise en compte de l’effet d’ingestion de couche limite, l’étude de configurations à aile rhomboédrique  et la recherche de configuration d’avions supersoniques à faible Bang. »

 

Illustration vidéo

Deux vidéos permettent de visualiser ce qu'il se passe réellement dans une optimisation, utilisant l’évolution artificielle, de forme aérodynamique de profil d’aile.

 

 

 

La M.D.O. (Multidisciplinary Design Optimization) dans le domaine de l’aérospatiale

Dans beaucoup de cas, l’optimisation aérodynamique a des conséquences importantes dans d’autres domaines : masse, inertie, structure, propulsion, etc. De ce fait, on ne peut juste optimiser une forme, en ignorant totalement l’influence que cela peut avoir sur l’aéronef entier.

C’est dans ce contexte que la M.D.O. prend tout son sens, puisqu’elle est destinée à optimiser des objectifs souvent antagonistes, qui requièrent des outils de conception adaptés permettant d’intégrer toutes les contraintes et de faciliter la recherche de compromis.

L’Onera travaille également sur cette problématique depuis de nombreuses années, une page décrivant leurs travaux est disponible ici : http://www.onera.fr/fr/dcps/sword .

Copyright ONERA

 

 

(Suivez-nous sur Facebook https://www.facebook.com/blog.survols)
(Suivez-nous sur Twitter https://twitter.com/Blog_Survols