Optimisation Multi-Disciplinaire Distribuée
Octobre 2012
Le projet OMD2 a développé avec succès une plate-forme d'Optimisation Multidisciplinaire Gratuite pour le calcul distribué et le Cloud.
Le projet OMD2 a créé une plate-forme de conception collaborative qui, en général, fonctionne dans les environnements HPC et Cloud distribués. Les développements s'appuient sur le middleware Cloud ProActive Parallel Suite édité par ActiveEon en Open Source, permettant aux utilisateurs d'interagir directement entre la plate-forme Cloud et le langage SCILAB. Les développements ont été validés avec les cas-tests issus de l'industrie automobile liés à l’impact environnemental des voitures.
Le projet OMD2 prépare la communauté du design français à l'avènement de l'ère CLOUD HPC, c-à-d simuler, tester et optimiser sur les infrastructures informatiques parallèles. Il crée des liens entre la communauté française d’ingénierie du design et d’autres communautés plus avancées dans le HPC comme la bio-informatique ou la climatologie en partageant le middleware et les environnements informatiques.
Les applications aux cas-tests industriels OMD2 (optimisation de forme en 2D et 3D d'un conduit d'air, cf. Img.1) ont été réalisées grâce à l'accès à ProActive PACA Grid (1 400 cœurs), et les workflows de simulations par le biais de web services mis ensemble et utilisés par d'autres partenaires du projet (Renault, CD-adapco, SIREHNA-DCNS, ActiveEon, l'INRIA, l'ENSM-SE, UTC, ECP, IRCCyN, ENS CACHAN, Scilab Digiteo).
Voici des exemples de récents progrès importants sur des études de cas-tests réalisés par l'Ecole des Mines de Saint-Etienne:
Un algorithme est proposé qui simultanément estime et minimise la moyenne d'une fonction de performance. Les deux tâches - celle de propagation des incertitudes et celle d’optimisation - sont effectuées d'une manière optimale (minimisant la variance estimée et maximisant l'amélioration attendue), ce qui réduit considérablement le nombre d'appels aux simulations numériques coûteuses.
Au cours du projet OMD2, il a été proposé de générer des ensembles de points optimaux candidats à partir de processus Gaussiens conditionnés à approcher les simulations numériques coûteuses. Le critère d'optimisation associé était appelé « amélioration attendue multipoints asynchrones ». Parce que les ensembles sont faits de nombreux points, la méthode définit un algorithme parallèle. De nombreuses implémentations d'un tel algorithme sont possibles, elles définissent divers compromis entre réduire le nombre de simulations coûteuses et réduire le temps de calcul grâce à l’utilisation d'un grand nombre de noeuds. Grâce à l’interface entre Scilab et le ProActive Cloud Scheduler (primitives Scilab PAsolve, PAtask, …), nous avons été en mesure de créer des prototypes de ces algorithmes et de les tester massivement sur le cluster « PACA Grid » avec un maximum de 500 tâches exécutées en parallèle (cf. Img.2)
1 - forme optimisée d'un conduit d'air de refroidissement.
Figure 2. Tests massifs d'une optimisation parallèle sur ProActive PACA Grid
Tests massifs d'un algorithme d'optimisation parallèle, le "synchronous 4-points expected improvement", EI (0,4). Toutes les exécutions sont effectuées simultanément sur PACA Grid en utilisant le connecteur Scilab - ProActive Scheduler. L'exemple montre la sensibilité de l'algorithme à la longueur de corrélation du processus Gaussien (problème "rank1approx9d", 100 points aléatoires choisis avant l'optimisation).
L'avènement du Calcul Haute Performance profite à la recherche scientifique, aux services et en premier lieu à l’automobile. Dans un contexte économique et environnemental sévère (émergence des pays Low Cost, loi sur le CO2, réglementation EURO VI sur les émissions polluantes, …) cette industrie accélère le développement de technologies, processus et méthodes d'ingénierie en rupture avec l'existant, en complexifiant de plus en plus les modèles numériques (aérodynamique, combustion interne, crash, …). Pourtant, les nombreux outils industriels d’optimisation de systèmes complexes multidisciplinaires ont encore aujourd’hui un impact limité sur la conception alors même que, pris séparément dans chaque discipline, les outils s'améliorent graduellement. La plupart des applications de l’optimisation numérique ne se font que sur des petits périmètres (composants élémentaires) et pas toujours de façon systématique. Nous identifions plusieurs raisons parmi lesquelles : le manque de connexion entre les outils, entre les services de conception et de calcul, le manque de précision et la lourdeur de la simulation numérique, le manque d’automatisation des chaînes de calcul …
Le projet OMD2 contribue à la levée de ces verrous techniques en visant le passage à l’échelle des méthodes de conception numérique pour permettre une intégration industrielle généralisée (au niveau système) et plus ambitieuse (robustesse, multi-disciplinarité) de l’optimisation. Nous nous focalisons sur les verrous suivants :
le développement d’une plate-forme ouverte (simplification des interfaces, ouverture des stratégies d’optimisation en SCILAB, encapsulation algorithmique, optimisation collaborative) ;
le développement des techniques d’optimisation robuste par planifications d’expériences numériques (prise en compte des aléas de calcul et de conception, automatisation et parallélisation des stratégies, asynchronisme, convergence partielle, évolution à la très grande dimension, calcul des dérivées, adéquation qualité / coût / délai) ;
l’applicabilité industrielle (automatisation et consolidation de la chaîne numérique, open source dans un contexte fortement distribué, validation sur des cas industriels complexes non confidentiels).
Porteur :
Appel à projet :
Statut :
Groupes Thématiques de SYSTEMATIC :
Date de début du projet :
Date de fin de projet :
Durée :
Montant total :
Montant aide :
Partenaires du projet : |