JOURNAL ASMAC No 5 - octobre 2018

More documents

Info

POINT DE MIRE ÉNERGIE L’efficience des bancs de poissons Les bancs de poissons sont-ils capables d’économiser de l’énergie? Des chercheurs de l’EPF Zurich nous dévoilent la réponse. Ils ont simulé les systèmes de courants complexes sur le superordinateur «Piz Daint» et les ont associés à un algorithme de l’apprentissage par renforcement (Reinforcement Learning). Simone Ulmer, rédactrice Science et Technologie au Swiss National Supercomputing Centre (CSCS) 1 Le comportement grégaire des poissons fascine autant les ingénieurs que les biologistes. Car les bancs de poissons se déplacent dans un environnement de courants rempli d’énergie mécanique créée par les mouvements des poissons. Des chercheurs du Computational Science & Engineering Lab (CSElab) de l’EPF Zurich ont pu répondre par oui à la question de savoir si les poissons ont un avantage énergétique à nager en bancs. De plus, ils ont obtenu des renseignements détaillés qui pourraient se répercuter sur l’efficacité énergétique des robots volants ou sous-marins. Simulation précise de la dynamique des fluides Dans leur étude, les scientifiques ont développé une simulation hautement détaillée du jeu complexe de poissons nageant et de leur environnement de courants. Jusqu’ici, les simulations de ce type étaient réalisées avec des modèles fortement simplifiés qui ne pouvaient calculer la dynamique des fluides des poissons que de façon imprécise. Le superordinateur «Piz Daint» au Swiss National Supercomputing Centre(CSCS) a pour la première fois permis des simulations selon les règles de l’art, plus poussées et sans simplifications. Simultanément, les chercheurs ont combiné les simulations réalistes des courants avec un algorithme de l’apprentissage par renforcement (Reinforcement Learning), un algorithme efficace issu de l’apprentissage automatisé. Les algorithmes d’apprentissage de ce genre étaient jusqu’ici utilisés dans les jeux informatiques tels que «Go» pour permettre à l’ordinateur de battre les joueurs. Le Reinforcement Learning dans des systèmes physiques complexes nécessite des milliers d’étapes d’approximation, raison pour laquelle il n’a encore jamais été employé pour de tels systèmes. L’algorithme rappelle le conditionnement pavlovien, disent les chercheurs du CSElab: les agents apprennent par la récompense à développer une stratégie optimale pour atteindre leur but. C’est ici que cet algorithme a été utilisé, pour entraîner les poissons à adopter une façon de nager optimale et leur permettre de décider de manière autonome comment réagir aux courants irréguliers de leurs congénères. «Nous avons établi les conditions-cadres mathématiques et nous sommes contentés de fixer un objectif aux poissons, celui de nager le plus efficacement possible», déclare Guido Novati, doctorant au CSElab et développeur du logiciel utilisé pour les simulations. A notre surprise, les poissons ont nagé dans le flux tourbillonnaire des autres pour économiser de l’énergie, alors qu’ils auraient eu la possibilité de nager indépendamment les uns des autres. Apprendre de la visualisation Dans leurs simulations, les chercheurs observent, en deux et trois dimensions, le comportement de nage de jusqu’à trois poissons dans différentes configurations. Ils soulignent que de telles simulations n’ont jusqu’à présent jamais observé plus d’un poisson en trois dimensions. Ils ont analysé chaque détail de chaque tourbillon afin de comprendre le comportement des poissons. «Intuitivement, on suppose que les poissons évitent les zones turbulentes et nagent dans des régions plus calmes. Mais, au lieu de cela, ils nagent directement dans les tourbillons», explique Siddhartha Verma, postdoc au CSE lab. Verma et Novati ont réalisé, sous la direction du Professeur Petros Koumoutsakos de l’EPF Zurich, l’étude récemment publiée en ligne dans les Proceedings of the National Academy of Sciences (PNAS). Les chercheurs ont constaté que les poissons économisaient le plus d’énergie en nageant non pas, comme on le supposait Un suiveur interagit intelligemment avec le tourbillon provoqué par les deux poissons de tête, ce qui améliore sensiblement son efficience. (® CSElab/EPF Zurich) 1 Cet article est paru pour la première fois le 6 juin 2018 au Swiss National Supercomputing Centre (CSCS). 38 VSAO JOURNAL ASMAC N° 5 Octobre 2018
POINT DE MIRE ÉNERGIE jusqu’ici, les uns derrière les autres, mais légèrement décalés par rapport à l’orientation du poisson de tête. Dans cette position, ils mettent à profit les tourbillons générés par le poisson de tête en les captant avec leur tête et les divisant. Ils font ensuite passer les fragments le long de leur corps. Le tracé des tourbillons fractionnés fournit aux poissons la poussée sans ravir de l’énergie au poisson de tête. Robots autonomes «Nous avons ainsi pu démontrer que les poissons se positionnent de façon adéquate dans un banc pour tirer de l’énergie de la dynamique des fluides qui y règne», déclare Siddhartha Verma. Il souligne que leurs simulations n’ont pas permis d’analyser tous les aspects du comportement de nage des poissons, mais que les algorithmes développés et les connaissances physiques acquises peuvent être transférés sur des robots volants ou sous-marins. Un robot sous-marin ou volant autonome doit pouvoir surmonter des courants inattendus, par exemple des drones cargo en cas de forts vents ou des drones utilisés pour la recherche et le sauvetage en cas de tempête. «Il est également question de faire voler des avions en formation sur certaines lignes pour économiser du carburant. L’algorithme que nous avons développé pourrait aussi être utilisé dans ce contexte», explique Guido Novati. Les chercheurs sont enthousiasmés par les possibilités que leur offre cette nouvelle combinaison entre simulations précises et complexes de flux et Reinforcement Learning. Ils espèrent que d’autres chercheurs prendront en compte l’apprentissage automatisé dans leurs simulations. ■ Littérature Verma S, Novati G, Koumoutsakos P: Efficient collective swimming by harnessing vortices through deep reinforcement learning, PNAS published ahead of print May 21, 2018. https://doi.org/10.1073/pnas.1800923115 Nous pouvons proposer de bons services aux médecins, parce que nous les comprenons bien. En tant que membre de MEDISERVICE ASMAC, vous appartenez à un groupe privilégié: vous avez un accès exclusif à une bourse de l‘emploi en ligne et au marché des cabinets Praxsuisse. En tant que médecin en formation, vous avez par ailleurs la possibilité de participer à des congrès de carrière et à des séminaires de très haut niveau. www.mediservice-asmac.ch N° 5 Octobre 2018 VSAO JOURNAL ASMAC 39
Page 1: No 5 octobre 2018 Verband Schweizer
Page 4 and 5: STS 0292 LE VIGARO 247 update / 08.
Page 6 and 7: Praxiseröffnung: Intensivschulung
Page 8 and 9: POLITIQUE sente de graves lacunes.
Page 10 and 11: POLITIQUE L’essentiel en BREF Qui
Page 12 and 13: FORMATION POSTGRADUÉE / CONDITIONS
Page 18 and 19: ASMAC SECTION ARGOVIE Soldes d’he
Page 20 and 21: ASMAC SECTION BERNE Nora Bienz trav
Page 22 and 23: ASMAC Christian Bruchez, juriste de
Page 24 and 25: Besuchen Sie uns an der IFAS 2018.
Page 26 and 27: POINT DE MIRE ÉNERGIE commandé d
Page 28 and 29: POINT DE MIRE ÉNERGIE mesure de t
Page 30 and 31: POINT DE MIRE ÉNERGIE Combien d
Page 32 and 33: POINT DE MIRE ÉNERGIE Du «doping
Page 34 and 35: POINT DE MIRE ÉNERGIE Quand les m
Page 36 and 37: POINT DE MIRE ÉNERGIE Des cas heu
Page 40 and 41: PERSPECTIVES SÉRIE DISCIPLINES MÉ
Page 42 and 43: PERSPECTIVES AUS DER «PRAXIS» Med
Page 44 and 45: PERSPECTIVES Symptome CK Muskelbesc
Page 46 and 47: PERSPECTIVES höht. Im Gegensatz da
Page 48 and 49: PERSPECTIVES rin oder Dextran-Sulfa
Page 50 and 51: PERSPECTIVES L’objet choisi Le de
Page 52 and 53: MEDISERVICE VSAO-ASMAC BOÎTE AUX L
Page 54 and 55: Nous conseillons les médecins, par
Page 56 and 57: • Gériatrie/Dépressions • Tri
Page 58 and 59: IMPRESSUM ADRESSES DE CONTACT DES S
Page 60: plus simple. plus efficace. ensembl

JOURNAL ASMAC No 5 - octobre 2018

Create successful ePaper yourself

Delete template?

Save as template?