Francisco Chinesta; Elias Cueto; Pierre Ladeveze (éd.). Artificial Intelligence and Computational Methods in Applied Sciences. Comptes Rendus. Mécanique, Volume 353 (2025). doi: 10.5802/crmeca.sp.6

Dans les temps anciens, les avancées scientifiques et techniques reposaient principalement sur une compréhension empirique des phénomènes, constituant ainsi le premier paradigme de la découverte scientifique.

À partir de la Renaissance, la révolution scientifique, et notamment le développement du calcul infinitésimal, a conduit à l’émergence d’un deuxième paradigme, fondé sur l’élaboration de cadres théoriques, de lois physiques et de modèles d’ingénierie validés par l’expérimentation.

L’avènement de l’informatique a ensuite marqué l’entrée dans un troisième paradigme de la découverte scientifique, centré sur la simulation numérique. Grâce aux modèles numériques de haute fidélité, souvent de grande dimension, il est désormais possible de résoudre des problèmes scientifiques et techniques complexes, inaccessibles aux approches analytiques classiques.

Aujourd’hui, un quatrième paradigme est en émergence: une approche scientifique et technique fondée sur les données, dans laquelle les lois physiques et les modèles sont directement inférés à partir des données disponibles, issues notamment de simulations numériques et d’expérimentations. Cette évolution transforme profondément les objectifs du calcul scientifique et de la simulation numérique. Alors qu’auparavant l’effort portait principalement sur la discrétisation et la résolution de systèmes d’équations issus de principes physiques, l’augmentation massive des données expérimentales et numériques permet désormais d’envisager de nouvelles stratégies de modélisation. Les phénomènes physiques peuvent ainsi être représentés et prédits sans recourir systématiquement à des formulations analytiques explicites ni à des modèles numériques de très grande dimension, grâce à la construction de représentations réduites, internes ou latentes, de faible dimension.

Afin de répondre à ces nouveaux enjeux, il devient nécessaire de développer des algorithmes capables d’apprendre directement à partir des données le comportement complexe de systèmes physiques et de leurs modèles de simulation à grande échelle, et d’en extraire les lois qui gouvernent leur dynamique. Parmi les applications emblématiques figurent la prédiction du comportement non linéaire des solides et des fluides à partir de données issues de simulations ou d’expérimentations, sans imposer de forme a priori aux lois constitutives, ainsi que la construction de modèles de substitution paramétriques permettant une évaluation en temps réel à partir de données échantillonnées à partir de simulations numériques haute fidélité.

Ce numéro spécial réunit une sélection des contributions les plus marquantes présentées lors de la conférence internationale Digital Twins in Engineering – Artificial Intelligence in Computational and Applied Sciences (DTE-AICOMAS), organisée à l’ENSAM à Paris du 17 au 21 février 2025.