L’équipe BONUS à pour objectif de développer de nouvelles approches à même de s’attaquer de façon efficace à la nature massive et complexe des problèmes d’optimisation modernes. La résolution de tels problèmes soulève plusieurs défis notamment liés à la dimensionnalité, le passage à l’échelle (scalability), et le recours à des parallélisation efficaces sur supercalculateurs massivement multi-cœurs et hétérogènes (ultra-scale) intégrant d’autres dispositifs parallèle tels que des accélérateurs GPU. Ainsi, l’équipe s’intéresse à la résolution et à l’étude de problèmes d’optimisation difficiles : nombre de variables élevé, multi-objectifs, blackbox, coûteux, multi-modaux, etc. Elle se propose de développer et d’analyser des méthodes d’optimisation se situant à l’interface de l’intelligence computationnelle (e.g., algorithmes évolutionnaires, analyse de paysage de fitness), de l’apprentissage automatique (e.g., surrogate, configuration/sélection automatisée d’algorithmes, autoML), et du calcul parallèle haute performance (e.g., super-calculateur massivement parallèle, hétérogène).
Plus spécifiquement, les thématiques scientifique de BONUS se structurent autour de trois axes principaux : (i) optimisation à base de décomposition dans l’espace de décision et dans l’espace objectif, (ii) optimisation intelligente et apprentissage machine à travers des méthodes intelligentes, automatisées, dirigées par les modèles et les données, et (iii) optimisation parallèle ultra-scale sur architectures de calcul massivement parallèles, distribués et hétérogènes. Le premier axe s’attaque aux défis inhérents à la dimensionnalité des problèmes d’optimisation. Le deuxième axe s’attaque aux défis inhérents à la complexité et à la structure intrinsèque du paysage de recherche induit par un problème d’optimisation. Le troisième axe s’attaque à l’exploitation efficace de la quantité croissante de ressources de calcul disponibles. L’utilisation conjuguée de ces trois plans d’attaque est rarement adressée dans la littérature et constitute un défi en soi. D’un point de vue logiciel, l’équipe vise à intégrer ses différents développement de façon systématique dans des framework logiciels, tel que ParadisEO. Sur le plan applicatif et du transfert industriel, l’équipe cible plus particulièrement l’ordonnancement de systèmes énergétiques tels que les smart grids ainsi que l’engineering design.
Bilel Derbel
Optimisation Bayésienne Parallèle des Réseaux Neuromorphiques
Optimisation combinatoire coopérative parallèle favorisant la productivité logicielle pour les supercalculateurs à très grandes échelles
La conception automatique et optimisation multi-objectifs de réseaux de neurones pro-fonds parallèles pour la détection automatique des incidents en temps réel
Optimisation de modèles Deep Learning pour la prévision spatio-temporelle
Optimisation multi-critères et conception automatisée des réseaux de neurones profonds
Attaquer la "large échelle" : calcul haute performance pour l'intelligence computationnelle
Optimisation exacte exascale basée sur l'approche MPI+X
Contributions to the Analysis and Design of Parallel Batched Bayesian Optimization Algorithms 21/06/2024
Analyse de Paysage Multi-objective et Sélection Automatique d'Algorithmes 20/12/2023
Optimisation boîte grise massivement parallèle et large échelle 19/12/2023
Sélection automatique d'algorithme pour l'optimisation multi-objectif 09/12/2022
Optimisation coûteuse multi-objectifs assistée par des modèles de substitution 09/11/2022
Optimisation robuste du crissement sous variabilités topographiques des surfaces de contact 20/06/2022
Contributions à l’optimisation multi-objectif à base de décomposition 03/12/2021
Optimisation de laboratoires d'analyse : de la modélisation à la résolution du problème 17/12/2018
Analyse de paysage et recherche heuristique pour l'optimisation multi-objectif 15/06/2022