Doctorat dans « Un langage de transformation pour l’intégration et l’inférence simultanées de données dans les jumeaux numériques » – Programme MSCA Cofund SEED

Les Digital Twins (DT) intègrent en temps réel des sources de données hétérogènes, provenant de capteurs, d’appareils et de sous-systèmes de leur homologue physique. Cette intégration est particulièrement importante dans les DT à grande échelle, depuis le domaine des systèmes de fabrication jusqu’aux DT à l’échelle nationale. Cependant, toutes les données nécessaires aux DT ne sont pas directement mesurables dans le système physique, par exemple en raison des coûts des capteurs correspondants. Par conséquent, en plus d’intégrer les données observées, les DT doivent également déduire des données non observées. Compte tenu de l’hétérogénéité des sources de données possibles et de la difficulté d’en déduire des données significatives, ces phases sont généralement très coûteuses.

Dans l’état de la technique, l’intégration et l’inférence de données pour les DT sont effectuées en étapes distinctes par différents outils. Les langages de transformation de modèle (MT) ont une application naturelle dans l’étape d’intégration de données. Les techniques d’apprentissage automatique (ML) sont plutôt utilisées pour l’inférence de données, après une formation sur les traces historiques du système ou des simulations. L’exécution séquentielle de ces deux étapes présente cependant des inconvénients importants : 1) si l’inférence est effectuée avant l’intégration, elle peut effectivement déduire uniquement des données locales sur un périphérique ou un sous-système ; 2) si l’intégration est effectuée avant l’inférence, alors la perte d’informations pendant l’intégration peut avoir un impact négatif sur le potentiel d’inférence.

Nous soutenons que l’intégration des données et l’inférence pour les DT devraient être définies et réalisées en même temps. Cependant, définir la logique intégration+inférence comme une seule étape n’est pas anodin, car elle implique deux ensembles de compétences différents. Nous visons une solution linguistique à ce problème, en concevant et en implémentant un langage unique pour la spécification simultanée de l’intégration et de l’inférence des données de capteurs dans le modèle DT. Le langage sera obtenu en étendant un langage MT avec des capacités ML. Les utilisateurs pourront définir des règles de transformation pour l’intégration des données, couplées à des tâches de ML conscientes de la logique d’intégration, évitant à la fois la perte d’informations et la restriction aux vues locales. Cela permettrait aux ingénieurs de DT de réduire les coûts de la phase d’intégration et d’inférence des données. Cela augmentera également l’applicabilité des outils des partenaires dans les DT de plusieurs domaines.