Dans le monde de la conception de machines complexes, du minuscule ordinateur à l'intérieur d'un thermostat intelligent aux systèmes de contrôle massifs d'un réseau électrique moderne, les ingénieurs sont confrontés à un problème persistant : comment prédire le comportement d'un système avant qu'il ne soit construit. Les méthodes traditionnelles reposent sur des formules mathématiques qui décrivent chaque loi physique en jeu, mais ces formules perdent souvent de leur efficacité lorsque les systèmes deviennent trop désordonnés, trop vieux ou trop influencés par des habitudes humaines imprévisibles. Pour combler cette lacune, les concepteurs se sont tournés vers un autre type d'outil : l'apprentissage automatique (machine learning). Il s'agit de programmes informatiques qui apprennent des modèles à partir de données plutôt que de suivre des règles rigides. Ils peuvent deviner la consommation d'énergie d'une maison en fonction de la météo, ou prédire quand un capteur pourrait tomber en panne. Cependant, l'intégration de ces programmes d'apprentissage dans les logiciels de simulation utilisés par les ingénieurs pour concevoir leurs systèmes a été laborieuse. Généralement, cela nécessite la construction de ponts personnalisés entre différents outils logiciels, un processus lent, sujet aux erreurs et qui rend difficile la comparaison équitable de différentes méthodes d'apprentissage.

Une équipe de chercheurs du Politecnico di Torino en Italie a introduit une nouvelle façon de résoudre ce problème, appelée SAMpLE. Considérez cela comme un adaptateur universel qui permet à n'importe quel modèle d'apprentissage automatique de se brancher directement dans l'environnement de simulation, tout comme un composant électrique standard. Les chercheurs ont construit un cadre qui traite ces modèles d'apprentissage comme des parties natives du système, permettant de les faire fonctionner de manière fluide aux côtés du reste de la conception sans nécessiter de connexions spéciales et ponctuelles. Cette approche permet aux ingénieurs de tester l'efficacité d'un modèle d'apprentissage dans un environnement virtuel, en voyant s'il peut s'adapter à des conditions changeantes en temps réel ou s'il est plus performant lorsqu'il a été entraîné au préalable. L'équipe a démontré que cette méthode fonctionne de manière fiable, produisant des résultats qui correspondent presque exactement aux programmes d'apprentissage originaux, tout en permettant de tester différents types d'algorithmes d'apprentissage côte à côte sous les mêmes conditions.

Le cœur de ce travail réside dans la manière dont les chercheurs ont organisé leur simulation. Ils ont utilisé un type spécifique de logique numérique appelé "Timed Dataflow" (flux de données temporel), qui est une façon d'organiser les tâches informatiques pour qu'elles se produisent dans un ordre strict et prévisible, en traitant les données par petits blocs réguliers. Cette structure correspond parfaitement au fonctionnement de l'apprentissage automatique : les deux prennent un ensemble d'entrées, les traitent et produisent une sortie à un moment précis. En reconnaissant cette adéquation naturelle, l'équipe a créé un système où un modèle d'apprentissage n'a pas besoin d'être traduit ou enveloppé dans des couches logicielles supplémentaires. Au lieu de cela, il devient un bloc standard de la simulation, recevant des données, faisant une prédiction et transmettant le résultat, le tout au sein du même cycle d'horloge que le reste du système.

Pour faire fonctionner cela, les chercheurs ont conçu un cadre qui prend en charge deux manières distinctes d'utiliser ces modèles d'apprentissage. La première est une approche hors ligne (offline), où un modèle est entraîné séparément sur des ordinateurs puissants puis exporté dans un format standard que la simulation peut lire. Cela permet aux ingénieurs d'utiliser des modèles construits avec des outils externes populaires sans avoir à les réécrire de zéro. La seconde est une approche en ligne (online), où le modèle apprend directement à l'intérieur de la simulation pendant son exécution. Cela est utile pour les systèmes qui doivent s'adapter à de nouvelles informations au fur et à mesure qu'elles arrivent, comme un réseau électrique qui doit s'ajuster à des changements soudains de météo ou de consommation. Le cadre gère les deux méthodes de manière transparente, garantissant que, que le modèle ait été entraîné à l'extérieur ou à l'intérieur de la simulation, il se comporte de manière cohérente et peut être remplacé ou retiré sans briser le reste de la conception.

L'équipe a testé son système en utilisant des données réelles provenant de deux sources différentes : l'une suivant la consommation d'électricité dans un groupe de maisons et l'autre surveillant la demande énergétique d'une ville entière. Ils ont lancé des simulations utilisant divers types de modèles d'apprentissage, incluant des prédicteurs linéaires simples et des systèmes plus complexes basés sur des arbres de décision. Les résultats ont montré que la simulation pouvait reproduire les prédictions des programmes d'apprentissage originaux avec une précision remarquable. Pour les données de la ville, qui suivaient un schéma fluide et prévisible, les modèles étaient presque parfaits, correspondant aux résultats originaux avec presque aucune différence. Pour les données domestiques, beaucoup plus bruyantes et difficiles à prédire, le système a tout de même bien performé, bien que les modèles aient eu plus de mal face à l'imprévisibilité. Crucialement, les chercheurs ont découvert que les modèles d'apprentissage en ligne, qui s'adaptaient au fil du temps, étaient nettement plus performants pour gérer les données domestiques désordonnées que les modèles statiques entraînés au préalable.

L'une des découvertes les plus importantes fut la capacité de comparer différentes méthodes d'apprentissage de manière équitable. Puisque le cadre traite chaque modèle comme un composant standard, les ingénieurs peuvent passer d'un type d'algorithme d'apprentissage à un autre simplement en modifiant un paramètre dans un fichier de configuration. Ils n'ont pas besoin de réécrire le code ou de reconstruire la simulation. Cela permet une comparaison directe de la performance de différents algorithmes sous les mêmes conditions exactes, en utilisant exactement les mêmes données. L'équipe a mesuré le temps de chaque simulation ainsi que la précision des prédictions, constatant que certaines méthodes étaient beaucoup plus rapides que d'autres, tandis que certaines étaient plus précises selon le type de données. Ce genre de comparaison directe était difficile à réaliser auparavant, car les différents outils d'apprentissage nécessitaient souvent des configurations différentes qui rendaient toute comparaison équitable impossible.

Les chercheurs ont également vérifié que le système fonctionne de manière fiable à travers différents scénarios. Ils ont démontré que le même code de simulation pouvait être utilisé tant pour les données domestiques que pour les données de la ville en changeant simplement les fichiers d'entrée, sans modifier aucun des logiciels sous-jacents. Cette portabilité suggère que le cadre peut être appliqué à de nombreux types de problèmes d'ingénierie, de la gestion des réseaux énergétiques à la conception de véhicules autonomes. Le système comprend également des outils pour vérifier la qualité des données et la performance des modèles, fournissant des rapports clairs sur la manière dont les prédictions correspondaient à la réalité. Cette transparence aide les ingénieurs à faire confiance aux résultats et à comprendre où un modèle pourrait échouer.

Bien que le système soit puissant, les chercheurs sont clairs sur ses limites actuelles. Il est conçu pour fonctionner avec des types spécifiques de données et de modèles, et repose sur le fait que les modèles soient exportés dans un format standard. L'équipe a noté que si les modèles d'apprentissage en ligne étaient excellents pour l'adaptation, ils nécessitaient une configuration plus minutieuse que les modèles hors ligne. Ils ont également précisé que le système est un outil d'évaluation et de conception, et non un remplacement du matériel physique réel. L'objectif est d'aider les ingénieurs à prendre de meilleures décisions avant de construire quoi que ce soit, réduisant ainsi le risque d'échec et économisant du temps et de l'argent.

Ce travail représente une étape significative dans la manière dont les ingénieurs intègrent l'intelligence artificielle dans le processus de conception. En éliminant le besoin de connexions personnalisées et ad hoc entre les outils d'apprentissage et les logiciels de simulation, ce cadre facilite l'expérimentation de nouvelles idées et la comparaison de différentes approches. Il transforme l'apprentissage automatique, passant d'un ajout spécialisé et difficile à utiliser à une partie standard et fiable de la boîte à outils de l'ingénieur. À mesure que les systèmes deviennent plus complexes et axés sur les données, des outils comme celui-ci deviendront essentiels pour garantir que les conceptions de demain soient robustes, efficaces et prêtes pour le monde réel. Les chercheurs ont rendu leur code et leurs données disponibles pour les autres, invitant la communauté élargie à bâtir sur leurs travaux et à explorer de nouvelles possibilités dans le prototypage virtuel.