Afin de prédire les phénomènes de mélange turbulent intervenant notamment dans les expériences de fusion par confinement inertiel (FCI), le CEA développe depuis plusieurs années des stratégies de modélisation fondée sur l'apprentissage à partir des données. Différentes approches d'apprentissage supervisé ont ainsi été mises en œuvre, allant de la régression symbolique parcimonieuse [Thévenin et al., Phys. Plasmas, 2022] aux réseaux de neurones profonds [Thévenin et al., J. Fluid Mech., 2025].

Ces méthodes exploitent des bases de données issues de simulations numériques directes (DNS), en particulier de l'instabilité de Rayleigh–Taylor. Ces simulations constituent également des données de référence pour le développement et la validation des modèles physiques de mélange turbulent. L'objectif général est de construire des modèles précis, interprétables et peu coûteux sur le plan numérique, susceptibles d'être intégrés dans les codes de calcul multiphysiques du CEA.

L'IA générative offre aujourd'hui la possibilité de produire directement des champs turbulents tridimensionnels réalistes. Une telle approche permettrait de générer rapidement de nouveaux échantillons représentatifs de la turbulence, tout en limitant le recours aux simulations numériques, dont le coût devient prohibitif aux résolutions nécessaires pour capturer l'ensemble des échelles dynamiquement pertinentes.

La turbulence constitue toutefois un défi majeur pour les modèles génératifs. Elle résulte d'interactions fortement non linéaires entre un grand nombre d'échelles spatiales et temporelles et fait apparaître des structures cohérentes dont la géométrie est intrinsèquement tridimensionnelle. La représentation fidèle de ces phénomènes soulève ainsi plusieurs verrous scientifiques.

Le premier objectif consiste à développer un modèle génératif capable de reproduire fidèlement les structures cohérentes tridimensionnelles de la turbulence, malgré la quantité limitée de données disponibles pour l'apprentissage. Une première piste consistera à exploiter explicitement la nature multi-échelle des écoulements turbulents au moyen d'une représentation en ondelettes. Les modèles génératifs fondés sur les fonctions de score et les ondelettes, ou Wavelet Score-based Generative Models (WSGM), constituent à cet égard un cadre prometteur. Ils permettent de décomposer le problème échelle par échelle, de faciliter l'apprentissage des différentes composantes du champ turbulent et de préserver leurs interactions.

Le deuxième objectif est de dépasser la génération indépendante d'instantanés afin de produire des séquences temporelles compatibles avec la dynamique des écoulements. Plusieurs approches pourront être étudiées, notamment le conditionnement des modèles génératifs par les états précédents, l'apprentissage dans un espace latent dynamique ou encore l'introduction de contraintes physiques garantissant la cohérence spatio-temporelle des champs générés.

Le troisième objectif concerne la reproduction des événements rares, en particulier des phénomènes d'intermittence. Ceux-ci jouent un rôle majeur dans les propriétés statistiques de la turbulence, mais restent faiblement représentés dans les bases d'apprentissage. Différentes stratégies pourront être explorées afin d'améliorer leur prise en compte, notamment l'enrichissement ciblé des bases de données, le recours à des techniques de rééchantillonnage ou d'apprentissage pondéré, ainsi que le développement de fonctions de coût favorisant une restitution fidèle des queues de distribution et des statistiques d'ordre élevé. École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences Direction : Benoît-Joseph GRÉA Financement : Financement du CEA - CTBU (Contrat de thèse sur budget unité)