Une architecture de r´eseaux de neurones pour les mod`eles ´equivalents d´edi´es `a la simulation

Lorsque la précision des simulations est moins importante que le nombre de simulations à effectuer, il est possible d’employer des modèles équivalents, dont le rôle est d’approximer les simulations à partir des données d’entrée. Cet article propose une architecture de réseau de neurones, ainsi qu’une procédure d’entrainement pour ces modèles équivalents. L’architecture présentée prend également en compte des entrées sorties variables. L’article étudie l’intérêt de cette architecture en fonction des tailles des simulations, du nombres de paramètres entrainables et du temps gagné à l’utilisation du réseau de neurones.