Présentation

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.

Membres

Permanents

Non permanents

Thomas Firmin

Optimisation Bayésienne Parallèle des Réseaux Neuromorphiques

Guillaume Helbecque

Optimisation combinatoire coopérative parallèle favorisant la productivité logicielle pour les supercalculateurs à très grandes échelles

Bohdan Ivaniuk-skulskyi

La conception automatique et optimisation multi-objectifs de réseaux de neurones pro-fonds parallèles pour la détection automatique des incidents en temps réel

Julie Keisler

Optimisation de modèles Deep Learning pour la prévision spatio-temporelle

Houssem Ouertatani

Optimisation multi-critères et conception automatisée des réseaux de neurones profonds

David Redon

Attaquer la "large échelle" : calcul haute performance pour l'intelligence computationnelle

Ivan Tagliaferro De Oliveira Tezoto

Optimisation exacte exascale basée sur l'approche MPI+X

Les autres équipes du groupe thématique ' OPTIMA '

INOCS ORKAD OSL