Méthodes de simulations pour des applications de grande échelle en physique expérimentale : inférence statistique, optimisation et apprentissage discriminant – SIMINOLE

La simulation constitue dorénavant un enjeu majeur dans la plupart des expériences scientifiques de grande échelle. Avec le développement des techniques et des moyens de calcul, la simulation est véritablement devenue le troisième pilier des découvertes scientifiques actuelles, à côté des deux premiers piliers que sont la modélisation et l'expérimentation. Le rôle le plus important de la simulation est de permettre le lien entre les différents niveaux de modélisation. La simulation complémente voire, dans certains cas, supplée l'expérimentation. Elle peut aussi être utilisée pour valider des modèles de haut niveau à partir de données expérimentales. La simulation peut enfin servir d'outil de conception pour mettre au point des dispositifs expérimentaux. En inversant la perspective, on constate que la simulation est également souvent devenue un facteur limitant dans beaucoup de ces applications où la question de l'efficacité numérique de la simulation constitue un verrou fondamental. Les approches les plus classiques face à cette question consistent soit à rechercher des modifications internes des principes de simulation de façon à accroître leur efficacité soit à tabler sur une implémentation sur du matériel à hautes performances pour rendre la simulation viable. Dans ce projet, nous travaillons dans une optique différente dans laquelle les méthodes de simulations sont, partiellement, vues comme des "boîtes noires", éventuellement paramétrées, que l'on cherche à utiliser le plus efficacement possible (notamment à travers l'ajustement adaptatif de paramètres de simulation) pour effectuer une tâche donnée.

Dans le cadre du projet, nous avons identifiés trois scénarios spécifiques d'utilisation des méthodes de simulation. Dans le premier, correspondant à l'inférence statistique probabiliste, l'outil principal considéré est celui des méthodes de Monte Carlo par chaîne de Markov (MCMC) qui constituent une alternative efficace aux approches, plus usuelles dans le cadre de la physique expérimentale, d'exploration exhaustive sur une grille. Dans le second scénario, le but est d'explorer l'espace des paramètres de façon à maximiser une fonction d'utilité (ou minimiser une fonction de coût). Dans ce deuxième scénario, nous souhaitons focaliser nos efforts autour des méthodes stochastiques d'optimisation qui ont connu récemment des développement méthodologiques très significatifs. Enfin, dans le dernier scénario, le but de la simulation est de permettre la découverte de caractéristiques pertinentes des données, par exemple, d'observables qui prédisent bien certains paramètres d'intérêt du système. Là encore, le but est de fournir des outils, issus des approches d'apprentissage artificiel, fournissant une alternative à la recherche exhaustive d'observables du système.

Les scénarios considérés dans le cadre de ce projet sont directement liés aux tâches d'inférence et de conception suscitées par deux expériences majeures dans le domaine de la physique des astroparticules, les expériences Pierre Auger et JEM-EUSO. Dans les deux cas, le but recherché est l'étude des propriétés des rayons cosmiques à très haute énergie à partir de l'observation des gerbes de particules générées par la collision de particules issues de rayons cosmiques avec des particules atmosphériques. L'expérience Auger et d'ores et déjà déployée sur 3000 kilomètres carrés de la pampa argentine tandis que le télescope JEM-EUSO est prévu pour être mis en place sur la station orbitale internationale à partir de 2015. Bien que les développements méthodologiques évoqués ci-dessus soient motivés par ces deux applications concrètes, les techniques développées ont également pour but d'être directement utilisables dans d'autres applications nécessitant des simulations intensives.