Soutenance de thèse : Adam DESORMIÈRE

Simulation en conception électrique : Atelier pour la gestion des Modèles par Apprentissage Automatique

Doctorante : Adam DESORMIÈRE

Laboratoire INSA : DISP

École doctorale : ED512 Infomaths (Informatique et Mathématiques de Lyon)

Ce travail de thèse se place dans le contexte des simulations effectuées par Intel pour estimer la consommation électrique de ses futurs produits. L’entreprise, qui réutilise souvent des circuits électriques similaires dans ses produits, ne tire pas suffisamment parti du savoir acquis dans les nombreuses simulations qu’elle effectue. Les modèles de simulations sont mal répertoriés, peu réutilisés par les ingénieurs en charge, et il est souvent nécessaire de repartir d’une page blanche pour un travail partiellement effectué par le passé.
Notre objectif est de proposer à l'entreprise des méthodes pour mieux gérer ses modèles de simulation de consommation électrique pour faciliter la réutilisation du savoir capitalisé dans les simulations précédentes. Il s’agit par exemple de détecter les modèles simulant des circuits classiques (mémoires, cœurs…), très souvent créés, afin de proposer aux ingénieurs des bibliothèques prêtes à l’emploi pour ces modèles. Nous avons choisi de nous focaliser sur l’extraction et l’exploitation des données issues des modèles, pour permettre à l’entreprise de mettre en place un PLM dans un second temps. Afin d’atteindre ces objectifs, nous employons des méthodes d’apprentissage automatique afin d’exploiter les métadonnées attachées aux modèles et les données contenues dans les modèles.
Nous proposons d’abord un algorithme qui exploite trois métadonnées attachées aux modèles pour évaluer la distance entre chaque paire de modèles de simulation. Nous utilisons ensuite ces distances, pondérables, pour proposer aux ingénieurs chargés de la simulation des groupes de modèles similaires grâce à un clustering hiérarchique.
Pour les données contenues dans les modèles, nous proposons d’utiliser un algorithme de traitement automatique du langage mathématique. Nous exploitons en particulier l’équation décrivant la consommation électrique du circuit modélisé pour quantifier la distance entre deux modèles de simulation. A nouveau, nous utilisons cette distance pour regrouper les modèles dits similaires selon ce critère, grâce à l’algorithme de clustering OPTICS.