{"id":1203,"date":"2026-08-21T14:28:56","date_gmt":"2026-08-21T14:28:56","guid":{"rendered":"https:\/\/matforge.org\/?p=1203","raw":"https:\/\/matforge.org\/?p=1203"},"modified":"2026-08-21T14:28:56","modified_gmt":"2026-08-21T14:28:56","slug":"multi-fidelity-surrogate-models-physics-ml","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/","title":{"rendered":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&rsquo;apprentissage automatique","raw":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l'apprentissage automatique"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 18<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 est un cadre qui combine des simulations rapides et bon march\u00e9 avec une v\u00e9rit\u00e9 de terrain co\u00fbteuse et haute fid\u00e9lit\u00e9 pour obtenir une pr\u00e9cision \u00e9lev\u00e9e \u00e0 un co\u00fbt de calcul nettement inf\u00e9rieur. Plut\u00f4t que d&rsquo;ex\u00e9cuter des simulations haute fid\u00e9lit\u00e9 co\u00fbteuses pour chaque point de conception, les praticiens utilisent des mod\u00e8les de faible fid\u00e9lit\u00e9 pour \u00e9tablir une ligne de base et appliquer des corrections d&rsquo;apprentissage automatique pour combler l&rsquo;\u00e9cart vers une pr\u00e9cision de haute fid\u00e9lit\u00e9.<\/p>\n<p>Cette approche est importante car de nombreux probl\u00e8mes d&rsquo;ing\u00e9nierie &#8211; optimisation de la forme a\u00e9rodynamique, conception des mat\u00e9riaux composites, \u00e9valuation du stockage g\u00e9ologique du carbone &#8211; n\u00e9cessitent des milliers d&rsquo;ex\u00e9cutions de simulation. Il n&rsquo;est pas pratique d&rsquo;ex\u00e9cuter chacun avec un mod\u00e8le haute fid\u00e9lit\u00e9. Les substituts multi-fid\u00e9lit\u00e9 offrent une voie vers des pr\u00e9dictions pr\u00e9cises tout en r\u00e9duisant les d\u00e9penses de calcul par ordre de grandeur.<\/p>\n<p>L&rsquo;id\u00e9e de base est simple&nbsp;: utilisez toutes les simulations bon march\u00e9 que vous avez, \u00e9talonnez-les contre les donn\u00e9es co\u00fbteuses que vous pouvez vous permettre de collecter et laissez l&rsquo;apprentissage automatique apprendre l&rsquo;\u00e9cart entre eux. Le paysage de la mise en \u0153uvre est riche &#8211; le co-krige (fusion de processus gaussienne bay\u00e9sienne), les op\u00e9rateurs neuronaux (FNO, DeepOnet, WNO), la mod\u00e9lisation de substitution d&rsquo;ordre r\u00e9duit et les r\u00e9seaux de correction hybrides de ML offrent tous des compromis distincts.<\/p>\n<p><strong>Suggestion d&rsquo;image<\/strong>&nbsp;: un diagramme de hi\u00e9rarchie de fid\u00e9lit\u00e9 montrant LOFI (grille grossi\u00e8re, physique simplifi\u00e9e) \u2192 HIFI (grille fine, physique compl\u00e8te) \u2192 correction MF (couche ML comblant l&rsquo;\u00e9cart). Ce sch\u00e9ma illustre le concept de base.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9s combinent des simulations \u00e0 faible fid\u00e9lit\u00e9 bon march\u00e9 avec des donn\u00e9es haute fid\u00e9lit\u00e9 co\u00fbteuses pour obtenir une pr\u00e9cision \u00e0 moindre co\u00fbt, en utilisant l&rsquo;apprentissage automatique pour apprendre l&rsquo;\u00e9cart entre les niveaux de fid\u00e9lit\u00e9.<\/li>\n<li>L&rsquo;apprentissage par transfert est actuellement la strat\u00e9gie d&rsquo;op\u00e9rateur neuronal multi-fid\u00e9lit\u00e9 la plus robuste dans les cas de test, ce qui surpasse syst\u00e9matiquement les architectures de formation conjointe lorsque l&rsquo;\u00e9cart de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 est important.<\/li>\n<li>Le krigeage multi-fid\u00e9lit\u00e9 (co-krige) a des conditions d&rsquo;applicabilit\u00e9 \u00e9tonnamment \u00e9troites &#8211; la corr\u00e9lation doit d\u00e9passer R\u00b2 &gt; 0,9 et le ratio budg\u00e9taire bon march\u00e9 au total doit se situer entre 0,1 et 0,8. De nombreux pratiquants tentent de co-kriger sans atteindre ces limites.<\/li>\n<li>L&rsquo;\u00e9cosyst\u00e8me Python pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est fragment\u00e9 mais m\u00fbrit &#8211; aucune biblioth\u00e8que ne couvre l&rsquo;ensemble du paysage et les praticiens doivent combiner plusieurs outils.<\/li>\n<li>Les probl\u00e8mes de multi-fid\u00e9lit\u00e9 les plus difficiles impliquent des diff\u00e9rences de gouvernance (RANS vs.) plut\u00f4t qu&rsquo;un simple grossissement de grille, et les strat\u00e9gies d&rsquo;incorporation directe \u00e0 faible fid\u00e9lit\u00e9 peuvent se d\u00e9grader lorsque les \u00e9carts sont importants.<\/li>\n<\/ul>\n<h2>Ce que signifie la multifid\u00e9lit\u00e9<\/h2>\n<p>Un mod\u00e8le de substitution multifid\u00e9lit\u00e9 est un mod\u00e8le statistique ou d&rsquo;apprentissage automatique qui utilise des donn\u00e9es provenant de plusieurs sources de pr\u00e9cision variable pour pr\u00e9dire le comportement du syst\u00e8me. Le terme \u00ab\u00a0fid\u00e9lit\u00e9\u00a0\u00bb fait r\u00e9f\u00e9rence \u00e0 la pr\u00e9cision de la simulation &#8211; les mod\u00e8les haute fid\u00e9lit\u00e9 (pleine nautique, maillages fins, physique complexe) sont co\u00fbteux mais pr\u00e9cis, tandis que les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 (physique simplifi\u00e9e, mailles grossi\u00e8res, mod\u00e8les d&rsquo;ordre r\u00e9duit) sont Pas cher mais moins pr\u00e9cis.<\/p>\n<p>L&rsquo;approche multi-fid\u00e9lit\u00e9 exploite le fait que les simulations moins ch\u00e8res sont souvent corr\u00e9l\u00e9es \u00e0 des simulations co\u00fbteuses. M\u00eame un mod\u00e8le qualitativement correct \u00e0 faible fid\u00e9lit\u00e9 peut servir de puissant a priori pour des donn\u00e9es co\u00fbteuses haute fid\u00e9lit\u00e9, am\u00e9liorant consid\u00e9rablement l&rsquo;efficacit\u00e9 de l&rsquo;\u00e9chantillon par rapport aux approches \u00e0 fid\u00e9lit\u00e9 unique.<\/p>\n<h3>Exemples concrets<\/h3>\n<p><strong>Optimisation CFD a\u00e9rospatiale<\/strong>&nbsp;: la conception d&rsquo;une forme de profil a\u00e9rodynamique n\u00e9cessite des centaines d&rsquo;ex\u00e9cutions de simulation. Ex\u00e9cuter chacun avec un solveur complet de Navier-Stokes sur une grille fine peut prendre des minutes ou des heures par ex\u00e9cution. Ex\u00e9cuter la m\u00eame simulation avec un mod\u00e8le de flux de potentiel (faible fid\u00e9lit\u00e9) prend quelques secondes. Un substitut multi-fid\u00e9lit\u00e9 apprend l&rsquo;\u00e9cart entre le flux potentiel et la pr\u00e9cision de Navier-Stokes, puis pr\u00e9dit des r\u00e9sultats de haute fid\u00e9lit\u00e9 \u00e0 l&rsquo;aide de simulations principalement bon march\u00e9 avec quelques points de validation co\u00fbteux.<\/p>\n<p><strong>Mod\u00e9lisation des mat\u00e9riaux composites<\/strong>&nbsp;: la pr\u00e9diction des propri\u00e9t\u00e9s m\u00e9caniques d&rsquo;un stratifi\u00e9 composite dans diverses conditions de chargement n\u00e9cessite l&rsquo;\u00e9valuation des champs de contraintes \u00e0 plusieurs \u00e9chelles. L&rsquo;analyse compl\u00e8te des \u00e9l\u00e9ments finis 3D au niveau du pli est co\u00fbteuse. Un mod\u00e8le th\u00e9orique par couche (faible fid\u00e9lit\u00e9) fonctionne beaucoup plus rapidement. La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 apprend la relation entre les deux, permettant une pr\u00e9diction de propri\u00e9t\u00e9 rapide pour l&rsquo;exploration de l&rsquo;espace de conception.<\/p>\n<p><strong>Stockage g\u00e9ologique du carbone<\/strong>&nbsp;: la pr\u00e9diction de la migration du panache CO\u2082 sur des d\u00e9cennies n\u00e9cessite la r\u00e9solution d&rsquo;\u00e9quations de flux multiphases. Les simulations \u00e0 la grille fine avec un couplage thermodynamique complet sont d&rsquo;un co\u00fbt prohibitif pour la quantification de l&rsquo;incertitude. Les approches multi-fid\u00e9lit\u00e9 combinent des simulations de grille grossi\u00e8re (bon march\u00e9) avec des ex\u00e9cutions de grilles pr\u00e9cises (co\u00fbteuses) pour cr\u00e9er des substituts pr\u00e9cis pour l&rsquo;\u00e9valuation des risques.<\/p>\n<p>Ces exemples partagent un mod\u00e8le commun : de nombreuses simulations bon march\u00e9 sont disponibles, quelques-unes co\u00fbteuses sont r\u00e9alisables et les mod\u00e8les bon march\u00e9 sont corr\u00e9l\u00e9s avec les mod\u00e8les co\u00fbteux. Le substitut multifid\u00e9lit\u00e9 exploite cette structure.<\/p>\n<h2>Quand la multi-fid\u00e9lit\u00e9 en vaut la peine<\/h2>\n<p>La mod\u00e9lisation multi-fid\u00e9lit\u00e9 ajoute de la complexit\u00e9 : vous devez collecter des donn\u00e9es \u00e0 partir de plusieurs sources, estimer les corr\u00e9lations entre les niveaux de fid\u00e9lit\u00e9 et utiliser des algorithmes plus sophistiqu\u00e9s. Ce n&rsquo;est pas toujours le bon choix.<\/p>\n<h3>Les conditions de Toal<\/h3>\n<p>Les conditions pratiques identifi\u00e9es par <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">toal (2015)<\/a> dans lesquelles le krigeage multifid\u00e9lit\u00e9 am\u00e9liore en fait la pr\u00e9cision par rapport aux approches de fid\u00e9lit\u00e9 unique&nbsp;: ces conditions sont \u00e9tonnamment \u00e9troites et sont souvent n\u00e9glig\u00e9es dans la pratique&nbsp;:<\/p>\n<ol>\n<li><strong>Seuil de corr\u00e9lation<\/strong>&nbsp;: la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9 doit satisfaire R\u00b2 &gt;&nbsp;; 0.9. Si le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 produit des r\u00e9sultats qui ne sont que faiblement corr\u00e9l\u00e9s avec la v\u00e9rit\u00e9 terrain haute fid\u00e9lit\u00e9, l&rsquo;approche multi-fid\u00e9lit\u00e9 peut en fait aggraver les pr\u00e9dictions en introduisant des informations contradictoires.<\/li>\n<li><strong>Fraction budg\u00e9taire<\/strong>&nbsp;: la fraction du budget total de simulation allou\u00e9e aux simulations bon march\u00e9 devrait se situer entre 0,1 et 0,8. Si vous d\u00e9pensez trop de budget pour des simulations bon march\u00e9 et trop peu pour des simulations co\u00fbteuses, le mod\u00e8le de correction ne peut pas \u00eatre correctement calibr\u00e9. Si vous d\u00e9pensez trop peu pour des simulations bon march\u00e9, vous ne pouvez pas \u00e9tablir la ligne de base avec pr\u00e9cision.<\/li>\n<li><strong>Ratio d&rsquo;\u00e9chantillonnage conservateur<\/strong>&nbsp;: le nombre d&rsquo;\u00e9chantillons bon march\u00e9 doit d\u00e9passer 1,75&nbsp;fois (1&nbsp;+&nbsp;1\/Cr), o\u00f9 CR est le rapport de corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9. Cela garantit suffisamment de donn\u00e9es pour apprendre la fonction de divergence de mani\u00e8re fiable.<\/li>\n<\/ol>\n<p>Lorsque ces conditions sont remplies, le krigeage multifid\u00e9lit\u00e9 fournit une pr\u00e9cision comparable \u00e0 celle des mod\u00e8les \u00e0 fid\u00e9lit\u00e9 qui n\u00e9cessiteraient de nombreux \u00e9chantillons plus co\u00fbteux. Lorsqu&rsquo;ils ne sont pas rencontr\u00e9s, les praticiens doivent reconsid\u00e9rer la question de savoir si la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est appropri\u00e9e.<\/p>\n<h3>Analyse co\u00fbts-avantages<\/h3>\n<p>Au-del\u00e0 des conditions de Toal, l&rsquo;adoption pratique de la multifid\u00e9lit\u00e9 n\u00e9cessite d&rsquo;\u00e9valuer vos contraintes sp\u00e9cifiques&nbsp;:<\/p>\n<ul>\n<li><strong>Ratio de co\u00fbt de simulation<\/strong>&nbsp;: \u00e0 quel point le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 est-il moins cher&nbsp;? Si le rapport de co\u00fbt est inf\u00e9rieur \u00e0 10:1 (la simulation bon march\u00e9 est inf\u00e9rieure \u00e0 10 % du co\u00fbt de simulation co\u00fbteux), la mod\u00e9lisation multi-fid\u00e9lit\u00e9 devient attrayante pour les probl\u00e8mes n\u00e9cessitant des milliers d&rsquo;ex\u00e9cutions.<\/li>\n<li><strong>Donn\u00e9es disponibles<\/strong>&nbsp;: Avez-vous d\u00e9j\u00e0 des donn\u00e9es de simulation \u00e0 faible fid\u00e9lit\u00e9&nbsp;? La mod\u00e9lisation multi-fid\u00e9lit\u00e9 est particuli\u00e8rement int\u00e9ressante lorsque des donn\u00e9es historiques bon march\u00e9 existent, mais qu&rsquo;aucune donn\u00e9e de haute fid\u00e9lit\u00e9 n&rsquo;a \u00e9t\u00e9 collect\u00e9e.<\/li>\n<li><strong>Exigences relatives \u00e0 la pr\u00e9cision<\/strong>&nbsp;: quelle pr\u00e9cision avez-vous besoin pour votre application&nbsp;? Pour l&rsquo;analyse de l&rsquo;espace de conception exploratoire, une pr\u00e9cision mod\u00e9r\u00e9e peut suffire. Pour la validation de la conception finale, vous avez besoin d&rsquo;une pr\u00e9cision de haute fid\u00e9lit\u00e9.<\/li>\n<li><strong>Budget informatique<\/strong>&nbsp;: pouvez-vous vous permettre des centaines de simulations co\u00fbteuses&nbsp;? Si oui, les approches \u00e0 fid\u00e9lit\u00e9 unique peuvent \u00eatre pratiques. Si non, la multi-fid\u00e9lit\u00e9 est probablement n\u00e9cessaire.<\/li>\n<\/ul>\n<p>Le cadre de d\u00e9cision ci-dessous r\u00e9sume ces compromis :<\/p>\n<p><strong>Suggestion d&rsquo;image<\/strong>&nbsp;: une courbe de compromis co\u00fbt-pr\u00e9cision montrant MF-krige atteignant une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt par rapport \u00e0 HIFI uniquement, avec les conditions du TOAL annot\u00e9es. Ce diagramme illustre la relation co\u00fbt-pr\u00e9cision.<\/p>\n<h3>Lorsque la fid\u00e9lit\u00e9 unique peut suffire<\/h3>\n<p>La mod\u00e9lisation de substitution monofid\u00e9lit\u00e9 (d\u00e9crite dans notre guide des <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substituts d&rsquo;apprentissage automatique pour les simulations scientifiques<\/a>) est pr\u00e9f\u00e9rable lorsque&nbsp;:<\/p>\n<ul>\n<li>Les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 et haute fid\u00e9lit\u00e9 ont R\u00b2 &lt; 0,9 Corr\u00e9lation \u2014 Dans ce cas, la correction multi-fid\u00e9lit\u00e9 introduit le bruit plut\u00f4t que le signal<\/li>\n<li>Le mod\u00e8le bon march\u00e9 n&rsquo;est que l\u00e9g\u00e8rement plus rapide (rapport de co\u00fbts &lt; 10:1) &#8211; les frais g\u00e9n\u00e9raux de la mod\u00e9lisation multi-fid\u00e9lit\u00e9 peuvent ne pas justifier les \u00e9conomies<\/li>\n<li>Vous disposez d&rsquo;un budget suffisant pour suffisamment d&rsquo;\u00e9chantillons haute fid\u00e9lit\u00e9.<\/li>\n<li>Votre probl\u00e8me n&rsquo;a qu&rsquo;un seul niveau de fid\u00e9lit\u00e9 disponible. Parfois, les simulations h\u00e9rit\u00e9es n&rsquo;existent qu&rsquo;\u00e0 un seul niveau de pr\u00e9cision<\/li>\n<\/ul>\n<h2>M\u00e9thodes de base<\/h2>\n<p>Le paysage de mod\u00e9lisation de substitution multifidelitit\u00e9 s&rsquo;\u00e9tend sur plusieurs familles m\u00e9thodologiques distinctes. Chacun a des hypoth\u00e8ses, des forces et des faiblesses diff\u00e9rentes.<\/p>\n<h3>1. Co-krige (processus multi-fid\u00e9lit\u00e9 gaussienne)<\/h3>\n<p>Le co-krige est la m\u00e9thode multi-fid\u00e9lit\u00e9 la plus \u00e9tablie, ancr\u00e9e dans la formulation autor\u00e9gressive Kennedy et O&rsquo;Hagan (2000). L&rsquo;id\u00e9e cl\u00e9 est que le processus de haute fid\u00e9lit\u00e9 est mod\u00e9lis\u00e9 comme une mise \u00e0 l&rsquo;\u00e9chelle lin\u00e9aire du processus de faible fid\u00e9lit\u00e9 plus un terme de divergence&nbsp;:<\/p>\n<p>y_hf(x) = \u03c4 \u00d7 y_lf(x) + \u03b4(x) + \u03b5<\/p>\n<p>L\u00e0 o\u00f9 \u03c4 met \u00e0 l&rsquo;\u00e9chelle la pr\u00e9diction de faible fid\u00e9lit\u00e9, \u03b4(x) est un \u00e9cart de processus gaussien et \u03b5 est un bruit. La formulation autor\u00e9gressive construit le mod\u00e8le de haute fid\u00e9lit\u00e9 s\u00e9quentiellement \u00e0 partir de pr\u00e9dictions de faible fid\u00e9lit\u00e9 plut\u00f4t que de traiter tous les niveaux de fid\u00e9lit\u00e9 comme des entr\u00e9es ind\u00e9pendantes.<\/p>\n<p>La formulation standard de co-krige (AR1) suppose une relation lin\u00e9aire entre les niveaux de fid\u00e9lit\u00e9. Les formulations plus flexibles comprennent :<\/p>\n<ul>\n<li><strong>AR0<\/strong>&nbsp;: le processus de haute fid\u00e9lit\u00e9 est ind\u00e9pendant du processus de faible fid\u00e9lit\u00e9 (\u03c4 = 0), en mod\u00e9lisant uniquement le terme d&rsquo;\u00e9cart<\/li>\n<li><strong>AR1<\/strong>&nbsp;: la formulation autor\u00e9gressive standard avec mise \u00e0 l&rsquo;\u00e9chelle lin\u00e9aire<\/li>\n<li><strong>Krige hi\u00e9rarchique<\/strong>&nbsp;: contourne la construction de la matrice de covariance crois\u00e9e explicite, en associant la pr\u00e9cision de co-krige avec une mise en \u0153uvre plus simple.<\/li>\n<\/ul>\n<p><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015)<\/a> a montr\u00e9 que AR1 fonctionne bien lorsque la corr\u00e9lation d\u00e9passe R\u00b2 &gt;&nbsp;; 0,9, tandis que AR0 peut \u00eatre pr\u00e9f\u00e9rable lorsque la corr\u00e9lation est inf\u00e9rieure, mais que les mod\u00e8les partagent une certaine similitude structurelle.<\/p>\n<p><strong>Avances r\u00e9centes (2024-2026)<\/strong>&nbsp;: MAGPI (entr\u00e9es de GP augment\u00e9e multifidelitit\u00e9) utilise des pr\u00e9dictions de faible fid\u00e9lit\u00e9 comme caract\u00e9ristiques spatiales suppl\u00e9mentaires pour conditionner l&rsquo;espace d&rsquo;entr\u00e9e de haute fid\u00e9lit\u00e9, \u00e9vitant les grandes sorties multi-sorties. inversions de matrice tout en maintenant la quantification de l&rsquo;incertitude. Co-krige r\u00e9cursive (2025) \u00e9limine l&rsquo;optimisation pour les donn\u00e9es bruyantes et non imbriqu\u00e9es \u00e0 l&rsquo;aide de mises \u00e0 jour de forme ferm\u00e9e, r\u00e9duisant consid\u00e9rablement le temps d&rsquo;entra\u00eenement hors ligne.<\/p>\n<h3>2. Architectures multi-fid\u00e9lit\u00e9 de l&rsquo;op\u00e9rateur neuronal<\/h3>\n<p>Les op\u00e9rateurs de neurones sont devenus un puissant cadre multi-fid\u00e9lit\u00e9, en particulier pour les probl\u00e8mes contraints \u00e0 la PDE. La comparaison exp\u00e9rimentale de <a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\">Adam Faza et al. (2026)<\/a> dans quatre cas de test ont identifi\u00e9 plusieurs architectures distinctes&nbsp;:<\/p>\n<p><strong>Transf\u00e9rer l&rsquo;apprentissage (le plus performant)<\/strong>&nbsp;: former un op\u00e9rateur de neurones sur les donn\u00e9es de faible fid\u00e9lit\u00e9 d&rsquo;abord, puis affiner les donn\u00e9es de haute fid\u00e9lit\u00e9. L&rsquo;architecture apprend le comportement de simulation bon march\u00e9 avant de s&rsquo;adapter \u00e0 une v\u00e9rit\u00e9 de terrain co\u00fbteuse. Dans tous les cas de test, seuls les apprentissages de transfert ont surpass\u00e9s de mani\u00e8re coh\u00e9rente la ligne de base haute fid\u00e9lit\u00e9 uniquement, contredisant l&rsquo;intuition courante selon laquelle la formation conjointe devrait fonctionner le mieux. Ceci est particuli\u00e8rement utile pour les probl\u00e8mes de flux instables o\u00f9 l&rsquo;incorporation directe \u00e0 faible fid\u00e9lit\u00e9 \u00e9choue \u00e0 la g\u00e9n\u00e9ralisation.<\/p>\n<p><strong>Interm\u00e9diaire (formation conjointe)<\/strong>&nbsp;: entra\u00eenez simultan\u00e9ment un seul op\u00e9rateur neuronal sur les donn\u00e9es des deux niveaux de fid\u00e9lit\u00e9. Cette approche a l&rsquo;attrait intuitif d&rsquo;apprendre les deux mod\u00e8les conjointement, mais fonctionne mal lorsque la faible fid\u00e9lit\u00e9 \u00e0 la haute fid\u00e9lit\u00e9 est importante. Des informations contradictoires provenant des deux niveaux de fid\u00e9lit\u00e9 confondent le r\u00e9seau.<\/p>\n<p><strong>Apprentissage r\u00e9siduel<\/strong>&nbsp;: entra\u00eenez le r\u00e9seau \u00e0 pr\u00e9dire la diff\u00e9rence entre les pr\u00e9dictions de haute fid\u00e9lit\u00e9 et de faible fid\u00e9lit\u00e9 plut\u00f4t que la sortie de haute fid\u00e9lit\u00e9 directement. Cette architecture peut \u00eatre utile lorsque le r\u00e9sidu est plus simple que la sortie compl\u00e8te mais n\u00e9cessite des pr\u00e9dictions pr\u00e9cises de faible fid\u00e9lit\u00e9 en entr\u00e9e.<\/p>\n<p><strong>Architecture en deux \u00e9tapes<\/strong>&nbsp;: formez un r\u00e9seau sur des donn\u00e9es \u00e0 faible fid\u00e9lit\u00e9 et un deuxi\u00e8me r\u00e9seau sur l&rsquo;\u00e9cart, encha\u00eenant les pr\u00e9dictions. Cela d\u00e9couple les t\u00e2ches d&rsquo;apprentissage mais introduit des erreurs de composition.<\/p>\n<p>Faza et al. ont constat\u00e9 que les op\u00e9rateurs neuronaux multi-fid\u00e9lit\u00e9 sont plus sensibles \u00e0 la faible fid\u00e9lit\u00e9 \u00e0 l&rsquo;\u00e9cart de haute fid\u00e9lit\u00e9 que les lignes de base \u00e0 une fid\u00e9lit\u00e9 unique. Les strat\u00e9gies d&rsquo;incorporation directe \u00e0 faible fid\u00e9lit\u00e9 (interm\u00e9diaire, r\u00e9siduelle, en deux \u00e9tapes) se d\u00e9gradent lorsque l&rsquo;\u00e9cart grandit, tandis que l&rsquo;apprentissage par transfert reste stable \u00e0 travers les variations de pas de temps.<\/p>\n<p>Les architectures d&rsquo;op\u00e9rateurs neuronaux les plus pertinentes pour la multifid\u00e9lit\u00e9 comprennent les op\u00e9rateurs de neurones de Fourier (FNO) et les variantes DeePonet. Tang et al. (2024) ont d\u00e9montr\u00e9 des op\u00e9rateurs de neurones de Fourier pour les applications g\u00e9ologiques de stockage du carbone, tandis que Lu et al. (2022) ont introduit les architectures DeepOnet multi-fid\u00e9lit\u00e9.<\/p>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\">Wu et al. (2022)<\/a> ont propos\u00e9 des processus neuronaux hi\u00e9rarchiques multi-fid\u00e9lit\u00e9s (MF-HNP) en tant que mod\u00e8le de variable latente neurale unifi\u00e9e pour la mod\u00e9lisation de substitution \u00e9volutive multifid\u00e9lit\u00e9, offrant une alternative aux approches bas\u00e9es sur l&rsquo;op\u00e9rateur.<\/p>\n<h3>3. Substituts de substitution d&rsquo;ordre r\u00e9duit<\/h3>\n<p>Les techniques de mod\u00e9lisation d&rsquo;ordre r\u00e9duit (ROM) telles que la d\u00e9composition orthogonale appropri\u00e9e (POD) combin\u00e9es \u00e0 des m\u00e9thodes temporelles telles que LSTM peuvent cr\u00e9er des substituts multi-fid\u00e9lit\u00e9 pour les syst\u00e8mes d\u00e9pendant du temps. Le r\u00e9f\u00e9rentiel Contipaolo\/Multifidelity_Pod fournit une impl\u00e9mentation open-source de la mod\u00e9lisation de substitution de substitution bas\u00e9e sur le pod avec des didacticiels.<\/p>\n<p>L&rsquo;approche fonctionne en extrayant des modes dominants \u00e0 partir de donn\u00e9es de simulation \u00e0 faible fid\u00e9lit\u00e9, puis en apprenant \u00e0 corriger ces modes \u00e0 l&rsquo;aide de donn\u00e9es haute fid\u00e9lit\u00e9. Ceci est particuli\u00e8rement attrayant pour les syst\u00e8mes o\u00f9 le comportement physique dominant est captur\u00e9 qualitativement par le mod\u00e8le de faible fid\u00e9lit\u00e9 et les corrections de haute fid\u00e9lit\u00e9 sont relativement faibles.<\/p>\n<h3>4. Corrections hybrides ML<\/h3>\n<p>Les approches hybrides combinent la mod\u00e9lisation de substitution traditionnelle avec les r\u00e9seaux de correction d&rsquo;apprentissage automatique. Par exemple, une substitution de processus gaussienne bas\u00e9e sur des donn\u00e9es de faible fid\u00e9lit\u00e9 peut \u00eatre corrig\u00e9e par un r\u00e9seau neuronal form\u00e9 sur des donn\u00e9es haute fid\u00e9lit\u00e9. Cette approche tire parti de la forte quantification de l&rsquo;incertitude des processus gaussiens tout en b\u00e9n\u00e9ficiant de la flexibilit\u00e9 des r\u00e9seaux de neurones pour apprendre des \u00e9carts complexes.<\/p>\n<p><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\">ravi et al. (2024)<\/a> ont fourni une comparaison compl\u00e8te des m\u00e9thodes de mod\u00e9lisation de la substitution gaussienne multi-fid\u00e9lit\u00e9, y compris les formulations autor\u00e9gressives, les approches hi\u00e9rarchiques et les processus gaussiens multi-sorties latent-map.<\/p>\n<h2>Mise en \u0153uvre pratique<\/h2>\n<p>L&rsquo;\u00e9cosyst\u00e8me Python pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est fragment\u00e9 mais m\u00fbrit. Trois bo\u00eetes \u00e0 outils principales couvrent diff\u00e9rents aspects du paysage. Comprendre quel outil correspond \u00e0 votre probl\u00e8me est essentiel.<\/p>\n<h3>SMT : Processus gaussiens multi-fid\u00e9lit\u00e9<\/h3>\n<p>SMT (Surrogate Modeling Toolbox) fournit l&rsquo;impl\u00e9mentation de Krige multi-fid\u00e9lit\u00e9 la plus compl\u00e8te dans Python, notamment MFK (multi-fidelit\u00e9 de krige) et MFK (Multi-Fidelity Co-Kriging). Il prend en charge \u00e0 la fois les formulations autor\u00e9gressives et latent-map et s&rsquo;int\u00e8gre bien avec les flux de travail bas\u00e9s sur Scipy.<\/p>\n<p><strong>Suggestion d&rsquo;image<\/strong>&nbsp;: un diagramme de hi\u00e9rarchie de fid\u00e9lit\u00e9 illustrant le flux de donn\u00e9es via le pipeline de co-krige de SMT&nbsp;: simulations \u00e0 faible fid\u00e9lit\u00e9 \u2192 \u00e9chantillons de haute fid\u00e9lit\u00e9 \u2192 Estimation de corr\u00e9lation \u2192 Mod\u00e8le de co-krige \u2192 pr\u00e9dictions corrig\u00e9es.<\/p>\n<p>Voici un exemple pratique utilisant le co-krige multi-fid\u00e9lit\u00e9 de SMT :<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom smt.smt import MultiFidelityKriging\nfrom smt.surveys import design_of_experiments as doe\n\n# Low-fidelity data (cheap simulations)\nlf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions\nlf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics\n\n# High-fidelity data (expensive simulations)\nhf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples\nhf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics\n\n# Build multi-fidelity co-kriging model\nmodel = MultiFidelityKriging()\nmodel.lf_des = lf_x\nmodel.lf_resp = lf_y\nmodel.hf_des = hf_x\nmodel.hf_resp = hf_y\n\n# Train the model\nmodel.execute()\n\n# Predict for new design points\ntest_points = doe.latin_hypercube(50, 2)\npredictions = model.hf_response(test_points)\n<\/code><\/pre>\n<p>L&rsquo;id\u00e9e cl\u00e9 de Toal (2015) s&rsquo;applique ici&nbsp;: v\u00e9rifiez que la corr\u00e9lation entre LF_Y et HF_Y d\u00e9passe R\u00b2 &gt;&nbsp;; 0,9 avant de s&rsquo;appuyer sur le mod\u00e8le multi-fid\u00e9lit\u00e9. Vous pouvez estimer cette corr\u00e9lation empiriquement avant la formation.<\/p>\n<h3>DeepXDE : Op\u00e9rateurs neuronaux multi-fid\u00e9lit\u00e9s bas\u00e9s sur la physique<\/h3>\n<p>DeepXDE fournit une infrastructure aux op\u00e9rateurs neuronaux inform\u00e9s par la physique avec des capacit\u00e9s multi-fid\u00e9lit\u00e9. Le cadre combine des contraintes physiques (r\u00e9sidus PDE) avec des donn\u00e9es multi-fid\u00e9lit\u00e9, ce qui le rend particuli\u00e8rement utile lorsque vous disposez d&rsquo;\u00e9quations r\u00e9gissant les niveaux de fid\u00e9lit\u00e9 multiples.<\/p>\n<p>Pour la formation multi-fid\u00e9lit\u00e9 des op\u00e9rateurs neuronaux avec DeepXDE :<\/p>\n<pre><code class=\"language-python\">import deepxde as dde\nimport numpy as np\n\n# Define the physics problem (example: 1D Poisson equation)\ndef physics_function(x):\n    # Ground truth: -u''(x) = f(x) with boundary conditions\n    u_exact = np.sin(np.pi * x)\n    f = np.pi**2 * u_exact\n    return f\n\n# Low-fidelity data\nx_lf = np.linspace(0, 1, 50)[:, np.newaxis]\nu_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)\n\n# High-fidelity data (expensive)\nx_hf = np.linspace(0, 1, 20)[:, np.newaxis]\nu_hf = np.sin(np.pi * x_hf)  # True solution\n\n# Multi-fidelity neural operator setup\n# Transfer learning: train on LF first, then fine-tune on HF\n# This is the architecture that consistently outperforms others\n# across PDE test cases (Faza et al., 2026)\n<\/code><\/pre>\n<p>L&rsquo;approche d&rsquo;apprentissage par transfert forme ici un op\u00e9rateur neuronal sur les donn\u00e9es de faible fid\u00e9lit\u00e9 (apprenant le comportement g\u00e9n\u00e9ral de la solution), puis affine les donn\u00e9es sur les donn\u00e9es de haute fid\u00e9lit\u00e9 (adaptant \u00e0 la v\u00e9rit\u00e9 de terrain pr\u00e9cise). Cette approche d&rsquo;initialisation de poids est plus robuste que l&rsquo;entra\u00eenement conjoint lorsque l&rsquo;\u00e9cart de fid\u00e9lit\u00e9 est important.<\/p>\n<p>DeepXDE est particuli\u00e8rement utile lorsque vous avez des r\u00e9sidus de PDE disponibles et que vous souhaitez imposer des contraintes physiques ainsi que des donn\u00e9es multi-fid\u00e9lit\u00e9. C&rsquo;est ce qu&rsquo;on appelle la mod\u00e9lisation multi-fid\u00e9lit\u00e9 fond\u00e9e sur la physique.<\/p>\n<h3>Multifidelity_pod&nbsp;: mod\u00e9lisation multi-fid\u00e9lit\u00e9 d&rsquo;ordre r\u00e9duit<\/h3>\n<p>Le r\u00e9f\u00e9rentiel Multifidelity_Pod fournit une mod\u00e9lisation d&rsquo;ordre r\u00e9duit \u00e0 l&rsquo;aide d&rsquo;une d\u00e9composition orthogonale appropri\u00e9e combin\u00e9e \u00e0 des m\u00e9thodes temporelles pour des syst\u00e8mes multifidelit\u00e9s d\u00e9pendant du temps. Ceci est particuli\u00e8rement utile pour les probl\u00e8mes instables o\u00f9 vous avez besoin de correction de fid\u00e9lit\u00e9 spatiale et temporelle.<\/p>\n<pre><code class=\"language-python\"># MultiFidelity_POD usage pattern\nimport MultiFidelity_POD as mfpod\n\n# Load low-fidelity and high-fidelity simulation snapshots\nlf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\nhf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\n\n# Build reduced-order multi-fidelity model\nmodel = mfpod.MultiFidelityROM()\nmodel.fit(lf_snapshots, hf_snapshots)\n\n# Predict unsteady behavior at new conditions\npredictions = model.predict_new_conditions(test_conditions)\n<\/code><\/pre>\n<p>Multifidelity_pod est id\u00e9al lorsque votre probl\u00e8me implique des donn\u00e9es de simulation en fonction du temps (instabilit\u00e9 CFD, analyse thermique transitoire) et que vous devez corriger le comportement spatial et temporel. Le r\u00e9f\u00e9rentiel comprend des cahiers de tutoriels d\u00e9montrant le workflow.<\/p>\n<h3>Choisir votre bo\u00eete \u00e0 outils<\/h3>\n<table>\n<thead>\n<tr>\n<th>Exigence<\/th>\n<th>Meilleur outil<\/th>\n<th>Pourquoi<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Processus gaussienne avec UQ<\/td>\n<td>smt<\/td>\n<td>Bo\u00eete \u00e0 outils GP la plus compl\u00e8te, impl\u00e9mentations de co-krige matures<\/td>\n<\/tr>\n<tr>\n<td>Op\u00e9rateurs neuronaux bas\u00e9s sur la physique<\/td>\n<td>DeepXDE<\/td>\n<td>Contraintes int\u00e9gr\u00e9es de la PDE, prise en charge des transferts d&rsquo;apprentissage<\/td>\n<\/tr>\n<tr>\n<td>d\u00e9pendant du temps d&rsquo;ordre r\u00e9duit<\/td>\n<td>Multifidelity_pod<\/td>\n<td>Flux de travail POD-LSTM, donn\u00e9es de simulation instables<\/td>\n<\/tr>\n<tr>\n<td>Prototypage rapide<\/td>\n<td>smt<\/td>\n<td>Bien document\u00e9, compatible Scipy<\/td>\n<\/tr>\n<tr>\n<td>Architectures neuronales personnalis\u00e9es<\/td>\n<td>DeepXDE<\/td>\n<td>Flexibilit\u00e9 de TensorFlow\/PyTorch, architectures personnalis\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Flux de travail de la ROM h\u00e9rit\u00e9e<\/td>\n<td>Multifidelity_pod<\/td>\n<td>S&rsquo;int\u00e8gre aux pipelines de pod existants<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>L&rsquo;\u00e9cosyst\u00e8me est en train de m\u00fbrir &#8211; les suites de r\u00e9f\u00e9rence comme MF2 commencent \u00e0 fournir des cadres de comparaison standardis\u00e9s. Jusqu&rsquo;\u00e0 ce qu&rsquo;une bo\u00eete \u00e0 outils unifi\u00e9e \u00e9merge, les praticiens doivent s\u00e9lectionner des outils en fonction de leurs exigences de fid\u00e9lit\u00e9 sp\u00e9cifiques, des donn\u00e9es disponibles et des contraintes de calcul.<\/p>\n<h2>\u00e9tudes de cas<\/h2>\n<h3>CFD a\u00e9rospatiale : Optimisation transonique des profils a\u00e9rodynamiques<\/h3>\n<p>L&rsquo;optimisation de la forme a\u00e9rodynamique est l&rsquo;une des applications multi-fid\u00e9lit\u00e9 les plus \u00e9tablies. <a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\">Fern\u00e1ndez-Godino et al. (2023)<\/a> ont document\u00e9 que la m\u00e9canique des fluides (46&nbsp;%) et la m\u00e9canique des solides (25&nbsp;%) dominent les applications multi-fid\u00e9lit\u00e9s dans la litt\u00e9rature \u00e9tudi\u00e9e.<\/p>\n<p>Le flux de travail typique pour l&rsquo;optimisation du profil a\u00e9rodynamique utilise :<\/p>\n<ul>\n<li><strong>Low Fidelity<\/strong>&nbsp;: Solveur de flux de potentiel (secondes par ex\u00e9cution)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: Solveur de Navier-Stokes avec mod\u00e9lisation de turbulences (minutes \u00e0 heures par course)<\/li>\n<\/ul>\n<p>Le mod\u00e8le de flux de potentiel capture les caract\u00e9ristiques dominantes de la distribution de pression avec pr\u00e9cision, mais manque les effets visqueux et la physique des ondes de choc. La m\u00e8re porteuse multifid\u00e9lit\u00e9 apprend l&rsquo;\u00e9cart, permettant une \u00e9valuation rapide de milliers de candidats en conception utilisant principalement des simulations de flux de potentiel bon march\u00e9 avec des cycles de validation s\u00e9lectionn\u00e9s de Navier-Stokes.<\/p>\n<p>Il a \u00e9t\u00e9 d\u00e9montr\u00e9 que l&rsquo;optimisation bay\u00e9sienne multi-fid\u00e9lit\u00e9 \u00e0 l&rsquo;aide de cette approche r\u00e9duit le nombre d&rsquo;\u00e9valuations haute fid\u00e9lit\u00e9 requises pour l&rsquo;optimisation des profils a\u00e9rodynamiques par ordre de grandeur par rapport aux approches \u00e0 fid\u00e9lit\u00e9 unique. La corr\u00e9lation entre le flux de potentiel et les pr\u00e9dictions de Navier-Stokes est g\u00e9n\u00e9ralement suffisamment \u00e9lev\u00e9e (r\u00b2 &gt;&nbsp;; 0,9) pour satisfaire aux <a\u00a00>conditions de l&rsquo;outil, ce qui en fait un candidat solide pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9.<\/a\u00a00><\/p>\n<p><a href=\"https:\/\/robertwenink.com\/posts\/mfkriging\/\" rel=\"nofollow\">explication pratique de Robert Wenink<\/a> fournit une excellente visite p\u00e9dagogique de ce flux de travail \u00e0 l&rsquo;aide de Forrester et al. Probl\u00e8me de r\u00e9f\u00e9rence, d\u00e9montrant comment le co-krige exploite efficacement le ratio de donn\u00e9es bon march\u00e9 \u00e0 co\u00fbteux.<\/p>\n<h3>M\u00e9canique des composites : substituts multi-fid\u00e9lit\u00e9 pour composites<\/h3>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">wen (2026)<\/a> Pour la m\u00e9canique des composites, la transition de la co-krige aux r\u00e9seaux de neurones multifid\u00e9lit\u00e9. L&rsquo;\u00e9tude a port\u00e9 sur la pr\u00e9diction des propri\u00e9t\u00e9s m\u00e9caniques des stratifi\u00e9s composites dans diverses conditions de chargement, o\u00f9 :<\/p>\n<ul>\n<li><strong>faible fid\u00e9lit\u00e9<\/strong>&nbsp;: mod\u00e8le de th\u00e9orie en couche (rapide, capture le comportement macroscopique)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: analyse compl\u00e8te des \u00e9l\u00e9ments finis en 3D au niveau du pli (pr\u00e9cis, co\u00fbteux en termes de calcul)<\/li>\n<\/ul>\n<p>L&rsquo;\u00e9tude a montr\u00e9 que le co-krige surpassait les processus gaussiens \u00e0 une fid\u00e9lit\u00e9 unique lorsque la corr\u00e9lation entre la th\u00e9orie des couches et la FEM compl\u00e8te 3D d\u00e9passait R\u00b2 &gt;&nbsp;; 0.9. Pour les cas o\u00f9 la corr\u00e9lation \u00e9tait mod\u00e9r\u00e9e, l&rsquo;\u00e9tude est pass\u00e9e \u00e0 des r\u00e9seaux de neurones multi-fid\u00e9lit\u00e9, qui g\u00e8rent des \u00e9carts plus importants de mani\u00e8re plus robuste.<\/p>\n<p>Ce cas met en \u00e9vidence une d\u00e9cision pratique&nbsp;: lorsque la corr\u00e9lation entre la faible fid\u00e9lit\u00e9 et la haute fid\u00e9lit\u00e9 est forte, le co-krige est efficace et bien compris. Lorsque la corr\u00e9lation est plus faible (comme cela peut se produire avec des sc\u00e9narios de chargement complexes ou des plis hors axe), les approches de l&rsquo;op\u00e9rateur neuronal peuvent \u00eatre pr\u00e9f\u00e9rables.<\/p>\n<h3>Stockage g\u00e9ologique du carbone : simulation de flux multi-fid\u00e9lit\u00e9<\/h3>\n<p>La pr\u00e9diction de la migration du panache CO\u2082 sur des d\u00e9cennies n\u00e9cessite la r\u00e9solution d&rsquo;\u00e9quations d&rsquo;\u00e9coulement multiphase avec un couplage thermodynamique complet. Les simulations \u00e0 la grille fine avec une physique compl\u00e8te sont prohibitives pour la quantification de l&rsquo;incertitude, ce qui n\u00e9cessite des milliers de r\u00e9alisations.<\/p>\n<p>Les approches multi-fid\u00e9lit\u00e9s combinent :<\/p>\n<ul>\n<li><strong>faible fid\u00e9lit\u00e9<\/strong>&nbsp;: simulations \u00e0 la grille grossi\u00e8re avec thermodynamique simplifi\u00e9e (bon march\u00e9)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: simulations \u00e0 la grille fine avec couplage thermodynamique complet (co\u00fbteux)<\/li>\n<\/ul>\n<p>Tang et al. (2024) ont d\u00e9montr\u00e9 des op\u00e9rateurs de neurones de Fourier pour les applications g\u00e9ologiques de stockage du carbone, montrant que les op\u00e9rateurs de neurones multifid\u00e9lit\u00e9 peuvent apprendre l&rsquo;\u00e9cart entre les simulations de grille grossi\u00e8re et fine tout en respectant les contraintes physiques sous-jacentes.<\/p>\n<p>Cette application est particuli\u00e8rement int\u00e9ressante car l&rsquo;\u00e9cart de fid\u00e9lit\u00e9 implique \u00e0 la fois la r\u00e9solution de grille et la simplification physique du mod\u00e8le. Le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 utilise des grilles plus grossi\u00e8res et une thermodynamique simplifi\u00e9e, tandis que le mod\u00e8le haute fid\u00e9lit\u00e9 r\u00e9sout l&rsquo;h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 \u00e0 l&rsquo;\u00e9chelle fine et le comportement en phase compl\u00e8te. C&rsquo;est plus proche du sc\u00e9nario \u00ab\u00a0Diff\u00e9rences entre gouvernements\u00a0\u00bb (RANS vs. dans les CFD) que le simple grossissement de grille, ce qui en fait un cas de test difficile mais pratiquement important.<\/p>\n<h2>Cadre de compromis et de d\u00e9cision<\/h2>\n<p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 offre un potentiel important pour r\u00e9duire les co\u00fbts de calcul, mais elle introduit une complexit\u00e9 qui doit \u00eatre soigneusement g\u00e9r\u00e9e.<\/p>\n<h3>Complexit\u00e9 vs pr\u00e9cision<\/h3>\n<p>Le principal compromis dans la mod\u00e9lisation multi-fid\u00e9lit\u00e9 se situe entre la complexit\u00e9 du mod\u00e8le et le gain de pr\u00e9cision. Les approches multi-fid\u00e9lit\u00e9 n\u00e9cessitent :<\/p>\n<ul>\n<li><strong>Plus de collecte de donn\u00e9es<\/strong>&nbsp;: vous avez besoin de donn\u00e9es provenant de plusieurs niveaux de fid\u00e9lit\u00e9, pas un seul<\/li>\n<li><strong>Estimation de la corr\u00e9lation<\/strong>&nbsp;: vous devez estimer la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9<\/li>\n<li><strong>Algorithmes plus sophistiqu\u00e9s<\/strong>&nbsp;: les m\u00e9thodes de co-krige, les op\u00e9rateurs de neurones et les m\u00e9thodes d&rsquo;ordre r\u00e9duit sont plus complexes que les r\u00e9seaux de neurones \u00e0 fid\u00e9lit\u00e9 unique ou de base<\/li>\n<li><strong>R\u00e9glage des param\u00e8tres<\/strong>&nbsp;: les mod\u00e8les multi-fid\u00e9lit\u00e9 ont des hyperparam\u00e8tres suppl\u00e9mentaires (rapports de corr\u00e9lation, poids de fid\u00e9lit\u00e9)<\/li>\n<\/ul>\n<p>Le gain de pr\u00e9cision doit justifier cette complexit\u00e9. Pour les probl\u00e8mes n\u00e9cessitant des milliers de simulations o\u00f9 les ex\u00e9cutions haute fid\u00e9lit\u00e9 prennent des heures, la mod\u00e9lisation multi-fid\u00e9lit\u00e9 peut r\u00e9duire le temps de calcul total par ordre de grandeur. Pour les probl\u00e8mes de nombre de simulations modestes, les frais g\u00e9n\u00e9raux ne valent peut-\u00eatre pas la peine.<\/p>\n<h3>Cadre de d\u00e9cision<\/h3>\n<p>Utilisez ce cadre de d\u00e9cision pour d\u00e9terminer quand la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est appropri\u00e9e :<\/p>\n<p><strong>Quand utiliser la multi-fid\u00e9lit\u00e9&nbsp;:<\/strong><\/p>\n<ul>\n<li>Les simulations haute fid\u00e9lit\u00e9 sont co\u00fbteuses (heures par ex\u00e9cution) et vous avez besoin de nombreuses \u00e9valuations (centaines +)<\/li>\n<li>Des simulations \u00e0 faible fid\u00e9lit\u00e9 sont disponibles et corr\u00e9l\u00e9es (R\u00b2 &gt; 0,9) avec des r\u00e9sultats haute fid\u00e9lit\u00e9<\/li>\n<li>Vous disposez de donn\u00e9es historiques \u00e0 faible fid\u00e9lit\u00e9 que vous pouvez exploiter<\/li>\n<li>Vos exigences de pr\u00e9cision sont mod\u00e9r\u00e9es pour les phases d&rsquo;exploration<\/li>\n<\/ul>\n<p><strong>Quand utiliser la fid\u00e9lit\u00e9 unique&nbsp;:<\/strong><\/p>\n<ul>\n<li>Les simulations haute fid\u00e9lit\u00e9 sont suffisamment bon march\u00e9 (minutes par ex\u00e9cution) pour que vous puissiez vous permettre suffisamment d&rsquo;\u00e9chantillons<\/li>\n<li>Les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 ont une faible corr\u00e9lation (R\u00b2 &lt; 0,9) avec des r\u00e9sultats haute fid\u00e9lit\u00e9<\/li>\n<li>Vous n&rsquo;avez qu&rsquo;un seul niveau de fid\u00e9lit\u00e9 disponible<\/li>\n<li>Vous avez besoin d&rsquo;une pr\u00e9cision de validation finale et vous ne pouvez pas vous fier aux corrections de mod\u00e8les bon march\u00e9<\/li>\n<\/ul>\n<p><strong>Lorsque la complexit\u00e9 MF n&rsquo;en vaut peut-\u00eatre pas la peine&nbsp;:<\/strong><\/p>\n<ul>\n<li>L&rsquo;\u00e9cart de fid\u00e9lit\u00e9 est faible (rapport de co\u00fbts &lt; 10:1) &#8211; les frais g\u00e9n\u00e9raux ne peuvent pas justifier des \u00e9conomies<\/li>\n<li>Votre probl\u00e8me a une faible corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9 &#8211; la correction multi-fid\u00e9lit\u00e9 introduit le bruit<\/li>\n<li>Vous disposez d&rsquo;un budget suffisant pour un \u00e9chantillonnage adaptatif \u00e0 une seule fid\u00e9lit\u00e9 : un \u00e9chantillonnage adaptatif \u00e0 une fid\u00e9lit\u00e9 peut \u00eatre plus efficace<\/li>\n<\/ul>\n<h3>Recommandations pratiques<\/h3>\n<ol>\n<li><strong>Estimez d&rsquo;abord la corr\u00e9lation<\/strong>&nbsp;: avant d&rsquo;investir dans la mod\u00e9lisation multi-fid\u00e9lit\u00e9, estimez la corr\u00e9lation entre les donn\u00e9es disponibles de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9. Si r\u00b2 &lt; 0,9, reconsid\u00e9rez si la multi-fid\u00e9lit\u00e9 est appropri\u00e9e ou si vous avez besoin d&rsquo;un mod\u00e8le de faible fid\u00e9lit\u00e9 diff\u00e9rent.<\/li>\n<li><strong>Commencez par co-krige<\/strong>&nbsp;: si la corr\u00e9lation est forte, commencez par co-krige (SMT). Il est bien compris, fournit une quantification fiable de l&rsquo;incertitude et est plus facile \u00e0 mettre en \u0153uvre que les approches des op\u00e9rateurs neuronaux.<\/li>\n<li><strong>Envisagez l&rsquo;apprentissage par transfert pour les op\u00e9rateurs de neurones<\/strong>&nbsp;: si vous avez besoin de la flexibilit\u00e9 des op\u00e9rateurs neuronaux (entr\u00e9es de grande dimension, g\u00e9om\u00e9tries complexes), l&rsquo;apprentissage des transferts surpasse de mani\u00e8re coh\u00e9rente les autres architectures dans les cas de test (Faza et al., 2026).<\/li>\n<li><strong>Surveillez l&rsquo;\u00e9cart<\/strong>&nbsp;: suivez l&rsquo;\u00e9volution de l&rsquo;\u00e9cart de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 au cours de l&rsquo;entra\u00eenement. S&rsquo;il devient trop grand, le mod\u00e8le multi-fid\u00e9lit\u00e9 peut se d\u00e9grader &#8211; c&rsquo;est \u00e0 ce moment-l\u00e0 que les approches \u00e0 fid\u00e9lit\u00e9 unique ou diff\u00e9rents mod\u00e8les de faible fid\u00e9lit\u00e9 peuvent \u00eatre pr\u00e9f\u00e9rables.<\/li>\n<li><strong>Valider avec les donn\u00e9es de support<\/strong>&nbsp;: validez toujours les pr\u00e9dictions multi-fid\u00e9lit\u00e9 par rapport aux donn\u00e9es de haute fid\u00e9lit\u00e9. Les mod\u00e8les multi-fid\u00e9lit\u00e9 peuvent surajuster la structure de divergence, en particulier lorsque la corr\u00e9lation est mod\u00e9r\u00e9e.<\/li>\n<\/ol>\n<h2>R\u00e9sum\u00e9<\/h2>\n<p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 combine des simulations \u00e0 faible fid\u00e9lit\u00e9 bon march\u00e9 avec des donn\u00e9es haute fid\u00e9lit\u00e9 co\u00fbteuses pour obtenir des pr\u00e9dictions pr\u00e9cises \u00e0 un co\u00fbt de calcul nettement inf\u00e9rieur. Le cadre exploite la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9, en utilisant l&rsquo;apprentissage automatique pour apprendre et corriger l&rsquo;\u00e9cart entre eux.<\/p>\n<p>Principales informations pratiques :<\/p>\n<ul>\n<li>Transfer Learning est actuellement la strat\u00e9gie d&rsquo;op\u00e9rateur neuronal multi-fid\u00e9lit\u00e9 la plus robuste dans les cas de test PDE, surpassant syst\u00e9matiquement les architectures de formation conjointes<\/li>\n<li>Le krigeage multi-fid\u00e9lit\u00e9 a des conditions d&rsquo;applicabilit\u00e9 \u00e9troites (r\u00b2 &gt; corr\u00e9lation 0,9, fraction budg\u00e9taire 0,1-0,8) qui sont souvent n\u00e9glig\u00e9es<\/li>\n<li>L&rsquo;\u00e9cosyst\u00e8me Python est fragment\u00e9 &#8211; SMT, DeepXDE et Multifidelity_Pod couvrent chacun des aspects diff\u00e9rents, et aucune biblioth\u00e8que ne fait tout<\/li>\n<li>Les probl\u00e8mes pratiques les plus difficiles impliquent des diff\u00e9rences de gouvernance-\u00e9quation (RANS vs.) plut\u00f4t qu&rsquo;un simple grossissement de la grille<\/li>\n<li>La mod\u00e9lisation de substitution \u00e0 une seule fid\u00e9lit\u00e9 peut \u00eatre suffisante lorsque la corr\u00e9lation est faible ou que le budget de calcul est ad\u00e9quat.<\/li>\n<\/ul>\n<p>Pour les praticiens qui envisagent la mod\u00e9lisation multi-fid\u00e9lit\u00e9, le cadre de d\u00e9cision ci-dessus fournit des conseils concrets sur le moment de l&rsquo;utiliser et le moment de l&rsquo;\u00e9viter. Le message de base est clair : les substituts multi-fid\u00e9lit\u00e9 sont puissants lorsque les conditions sont remplies, mais elles ajoutent de la complexit\u00e9 qui doit \u00eatre justifi\u00e9e par le gain de pr\u00e9cision et les \u00e9conomies de calcul.<\/p>\n<p>Si vous explorez des approches de mod\u00e9lisation de substitution plus largement, notre guide des <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substances d&rsquo;apprentissage automatique pour les simulations scientifiques<\/a> couvre les bases de la fid\u00e9lit\u00e9 unique, tandis que notre <a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Guide des extensions du chaos polynomial<\/a> offre une alternative rapide. approche de substitution.<\/p>\n<p><strong>Guides connexes<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substatives d&rsquo;apprentissage automatique pour les simulations scientifiques<\/a> \u2014 couvre les processus gaussiens, les r\u00e9seaux de neurones et le PCE Substituts au niveau de la fid\u00e9lit\u00e9<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Quantification de l&rsquo;incertitude et analyse de sensibilit\u00e9<\/a> \u2014 explore les m\u00e9thodes UQ, y compris la multi-fid\u00e9lit\u00e9 mentionn\u00e9e bri\u00e8vement<\/li>\n<li><a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">expansions du chaos polynomial&nbsp;: substituts rapides<\/a> \u2014 Approche de substitution alternative pour la propagation de l&rsquo;incertitude<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pytorch-guide\/\">R\u00e9seaux de neurones \u00e0 base de physique (PINN)<\/a> \u2014 couvre les PINN et leur relation avec les approches multi-fid\u00e9lit\u00e9 bas\u00e9es sur la physique<\/li>\n<\/ul>\n<p><strong>R\u00e9f\u00e9rences cl\u00e9s<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\">Fern\u00e1ndez-Godino et al. (2023) \u2014 Examen des mod\u00e8les multi-fid\u00e9lit\u00e9s<\/a> \u2014 L&rsquo;enqu\u00eate compl\u00e8te d\u00e9finitive couvrant toutes les m\u00e9thodes, applications et tendances de MF<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\">Adam Faza et al. (2026) \u2014 sur l&rsquo;op\u00e9rateur neuronal multifidelit\u00e9 pour les pr\u00e9dictions PDE bas\u00e9es sur les donn\u00e9es<\/a> \u2014 Comparaison exp\u00e9rimentale des architectures MF-NO (transfert d&rsquo;apprentissage, interm\u00e9diaire, r\u00e9siduel, en deux \u00e9tapes)<\/li>\n<li><a href=\"https:\/\/smt.readthedocs.io\" target=\"_blank\" rel=\"nofollow noopener\">documentation SMT (Surrogate Modeling Toolbox)<\/a> &#8211; la biblioth\u00e8que Python la plus compl\u00e8te pour les GP Mod\u00e9lisation des substituts, y compris les impl\u00e9mentations multi-fid\u00e9lit\u00e9 de krigeage (MFK) et de co-krige (MFK)<\/li>\n<li><a href=\"https:\/\/github.com\/ContiPaolo\/MultiFidelity_POD\" target=\"_blank\" rel=\"nofollow noopener\">Contipaolo\/MultiFidelity_Pod GitHub<\/a> \u2014 Impl\u00e9mentation open-source de la mod\u00e9lisation de substitution MF bas\u00e9e sur le pod avec le didacticiel<\/li>\n<li><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\">ravi et al. \u2014 Mod\u00e9lisation de la substitution de la m\u00e8re porteuse multi-fid\u00e9lit\u00e9<\/a> \u2014 Comparaison compl\u00e8te des m\u00e9thodes MF-GP (AR1, autor\u00e9gressive, hi\u00e9rarchique)<\/li>\n<li><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) \u2014 Quelques consid\u00e9rations concernant l&rsquo;utilisation du krigeage multifid\u00e9lit\u00e9<\/a> \u2014 Conditions pratiques d\u00e9finitives pour les travaux de krigeage MF (corr\u00e9lation, ratio budg\u00e9taire, ratio d&rsquo;\u00e9chantillonnage)<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\">Wu et al. (2022) \u2014 Processus neuronaux hi\u00e9rarchiques multi-fid\u00e9lit\u00e9<\/a> \u2014 Architecture MF-HNP pour la mod\u00e9lisation de substitution MF \u00e9volutive<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">wen (2026) \u2014 Surrogations multi-fid\u00e9lit\u00e9 pour la m\u00e9canique Composites<\/a> \u2014 Application r\u00e9cente de pointe sur les mat\u00e9riaux composites<\/li>\n<\/ul>\n<h2>Prochaines \u00e9tapes<\/h2>\n<p>Si vous \u00e9valuez des approches multi-fid\u00e9lit\u00e9 pour votre probl\u00e8me sp\u00e9cifique :<\/p>\n<ol>\n<li>\u00c9valuer la corr\u00e9lation entre les mod\u00e8les disponibles de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 (estimation R\u00b2 empiriquement)<\/li>\n<li>Estimer le rapport de co\u00fbts et le budget total de la simulation<\/li>\n<li>V\u00e9rifier les <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">conditions du TOAL<\/a> (corr\u00e9lation &gt; 0,9, fraction budg\u00e9taire 0,1-0,8)<\/li>\n<li>Si les conditions sont remplies, prototypez le co-krige de SMT pour les approches de processus gaussiennes ou l&rsquo;apprentissage par transfert de DeepXDE pour les op\u00e9rateurs de neurones<\/li>\n<li>Valider contre les donn\u00e9es haute fid\u00e9lit\u00e9 de Resort avant de d\u00e9ployer<\/li>\n<\/ol>\n<p>Pour les praticiens travaillant avec des syst\u00e8mes d\u00e9pendant du temps, le r\u00e9f\u00e9rentiel Multifidelity_Pod fournit des didacticiels d&rsquo;ordinateurs portables d\u00e9montrant des flux de travail multi-fid\u00e9lit\u00e9 d&rsquo;ordre r\u00e9duit. Pour ceux qui explorent l&rsquo;optimisation bay\u00e9sienne multi-fid\u00e9lit\u00e9, les travaux de suivi sur l&rsquo;ego MF et les strat\u00e9gies d&rsquo;\u00e9chantillonnage adaptatif s&rsquo;appuient sur les fondements d\u00e9crits ici.<\/p>\n","protected":false,"raw":"<p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 est un cadre qui combine des simulations rapides et bon march\u00e9 avec une v\u00e9rit\u00e9 de terrain co\u00fbteuse et haute fid\u00e9lit\u00e9 pour obtenir une pr\u00e9cision \u00e9lev\u00e9e \u00e0 un co\u00fbt de calcul nettement inf\u00e9rieur. Plut\u00f4t que d'ex\u00e9cuter des simulations haute fid\u00e9lit\u00e9 co\u00fbteuses pour chaque point de conception, les praticiens utilisent des mod\u00e8les de faible fid\u00e9lit\u00e9 pour \u00e9tablir une ligne de base et appliquer des corrections d'apprentissage automatique pour combler l'\u00e9cart vers une pr\u00e9cision de haute fid\u00e9lit\u00e9.<\/p>\n<p>Cette approche est importante car de nombreux probl\u00e8mes d'ing\u00e9nierie - optimisation de la forme a\u00e9rodynamique, conception des mat\u00e9riaux composites, \u00e9valuation du stockage g\u00e9ologique du carbone - n\u00e9cessitent des milliers d'ex\u00e9cutions de simulation. Il n'est pas pratique d'ex\u00e9cuter chacun avec un mod\u00e8le haute fid\u00e9lit\u00e9. Les substituts multi-fid\u00e9lit\u00e9 offrent une voie vers des pr\u00e9dictions pr\u00e9cises tout en r\u00e9duisant les d\u00e9penses de calcul par ordre de grandeur.<\/p>\n<p>L'id\u00e9e de base est simple&nbsp;: utilisez toutes les simulations bon march\u00e9 que vous avez, \u00e9talonnez-les contre les donn\u00e9es co\u00fbteuses que vous pouvez vous permettre de collecter et laissez l'apprentissage automatique apprendre l'\u00e9cart entre eux. Le paysage de la mise en \u0153uvre est riche - le co-krige (fusion de processus gaussienne bay\u00e9sienne), les op\u00e9rateurs neuronaux (FNO, DeepOnet, WNO), la mod\u00e9lisation de substitution d'ordre r\u00e9duit et les r\u00e9seaux de correction hybrides de ML offrent tous des compromis distincts.<\/p>\n<p><strong>Suggestion d'image<\/strong>&nbsp;: un diagramme de hi\u00e9rarchie de fid\u00e9lit\u00e9 montrant LOFI (grille grossi\u00e8re, physique simplifi\u00e9e) \u2192 HIFI (grille fine, physique compl\u00e8te) \u2192 correction MF (couche ML comblant l'\u00e9cart). Ce sch\u00e9ma illustre le concept de base.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9s combinent des simulations \u00e0 faible fid\u00e9lit\u00e9 bon march\u00e9 avec des donn\u00e9es haute fid\u00e9lit\u00e9 co\u00fbteuses pour obtenir une pr\u00e9cision \u00e0 moindre co\u00fbt, en utilisant l'apprentissage automatique pour apprendre l'\u00e9cart entre les niveaux de fid\u00e9lit\u00e9.<\/li>\n<li>L'apprentissage par transfert est actuellement la strat\u00e9gie d'op\u00e9rateur neuronal multi-fid\u00e9lit\u00e9 la plus robuste dans les cas de test, ce qui surpasse syst\u00e9matiquement les architectures de formation conjointe lorsque l'\u00e9cart de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 est important.<\/li>\n<li>Le krigeage multi-fid\u00e9lit\u00e9 (co-krige) a des conditions d'applicabilit\u00e9 \u00e9tonnamment \u00e9troites - la corr\u00e9lation doit d\u00e9passer R\u00b2 &gt; 0,9 et le ratio budg\u00e9taire bon march\u00e9 au total doit se situer entre 0,1 et 0,8. De nombreux pratiquants tentent de co-kriger sans atteindre ces limites.<\/li>\n<li>L'\u00e9cosyst\u00e8me Python pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est fragment\u00e9 mais m\u00fbrit - aucune biblioth\u00e8que ne couvre l'ensemble du paysage et les praticiens doivent combiner plusieurs outils.<\/li>\n<li>Les probl\u00e8mes de multi-fid\u00e9lit\u00e9 les plus difficiles impliquent des diff\u00e9rences de gouvernance (RANS vs.) plut\u00f4t qu'un simple grossissement de grille, et les strat\u00e9gies d'incorporation directe \u00e0 faible fid\u00e9lit\u00e9 peuvent se d\u00e9grader lorsque les \u00e9carts sont importants.<\/li>\n<\/ul>\n<h2>Ce que signifie la multifid\u00e9lit\u00e9<\/h2>\n<p>Un mod\u00e8le de substitution multifid\u00e9lit\u00e9 est un mod\u00e8le statistique ou d'apprentissage automatique qui utilise des donn\u00e9es provenant de plusieurs sources de pr\u00e9cision variable pour pr\u00e9dire le comportement du syst\u00e8me. Le terme \"fid\u00e9lit\u00e9\" fait r\u00e9f\u00e9rence \u00e0 la pr\u00e9cision de la simulation - les mod\u00e8les haute fid\u00e9lit\u00e9 (pleine nautique, maillages fins, physique complexe) sont co\u00fbteux mais pr\u00e9cis, tandis que les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 (physique simplifi\u00e9e, mailles grossi\u00e8res, mod\u00e8les d'ordre r\u00e9duit) sont Pas cher mais moins pr\u00e9cis.<\/p>\n<p>L'approche multi-fid\u00e9lit\u00e9 exploite le fait que les simulations moins ch\u00e8res sont souvent corr\u00e9l\u00e9es \u00e0 des simulations co\u00fbteuses. M\u00eame un mod\u00e8le qualitativement correct \u00e0 faible fid\u00e9lit\u00e9 peut servir de puissant a priori pour des donn\u00e9es co\u00fbteuses haute fid\u00e9lit\u00e9, am\u00e9liorant consid\u00e9rablement l'efficacit\u00e9 de l'\u00e9chantillon par rapport aux approches \u00e0 fid\u00e9lit\u00e9 unique.<\/p>\n<h3>Exemples concrets<\/h3>\n<p><strong>Optimisation CFD a\u00e9rospatiale<\/strong>&nbsp;: la conception d'une forme de profil a\u00e9rodynamique n\u00e9cessite des centaines d'ex\u00e9cutions de simulation. Ex\u00e9cuter chacun avec un solveur complet de Navier-Stokes sur une grille fine peut prendre des minutes ou des heures par ex\u00e9cution. Ex\u00e9cuter la m\u00eame simulation avec un mod\u00e8le de flux de potentiel (faible fid\u00e9lit\u00e9) prend quelques secondes. Un substitut multi-fid\u00e9lit\u00e9 apprend l'\u00e9cart entre le flux potentiel et la pr\u00e9cision de Navier-Stokes, puis pr\u00e9dit des r\u00e9sultats de haute fid\u00e9lit\u00e9 \u00e0 l'aide de simulations principalement bon march\u00e9 avec quelques points de validation co\u00fbteux.<\/p>\n<p><strong>Mod\u00e9lisation des mat\u00e9riaux composites<\/strong>&nbsp;: la pr\u00e9diction des propri\u00e9t\u00e9s m\u00e9caniques d'un stratifi\u00e9 composite dans diverses conditions de chargement n\u00e9cessite l'\u00e9valuation des champs de contraintes \u00e0 plusieurs \u00e9chelles. L'analyse compl\u00e8te des \u00e9l\u00e9ments finis 3D au niveau du pli est co\u00fbteuse. Un mod\u00e8le th\u00e9orique par couche (faible fid\u00e9lit\u00e9) fonctionne beaucoup plus rapidement. La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 apprend la relation entre les deux, permettant une pr\u00e9diction de propri\u00e9t\u00e9 rapide pour l'exploration de l'espace de conception.<\/p>\n<p><strong>Stockage g\u00e9ologique du carbone<\/strong>&nbsp;: la pr\u00e9diction de la migration du panache CO\u2082 sur des d\u00e9cennies n\u00e9cessite la r\u00e9solution d'\u00e9quations de flux multiphases. Les simulations \u00e0 la grille fine avec un couplage thermodynamique complet sont d'un co\u00fbt prohibitif pour la quantification de l'incertitude. Les approches multi-fid\u00e9lit\u00e9 combinent des simulations de grille grossi\u00e8re (bon march\u00e9) avec des ex\u00e9cutions de grilles pr\u00e9cises (co\u00fbteuses) pour cr\u00e9er des substituts pr\u00e9cis pour l'\u00e9valuation des risques.<\/p>\n<p>Ces exemples partagent un mod\u00e8le commun : de nombreuses simulations bon march\u00e9 sont disponibles, quelques-unes co\u00fbteuses sont r\u00e9alisables et les mod\u00e8les bon march\u00e9 sont corr\u00e9l\u00e9s avec les mod\u00e8les co\u00fbteux. Le substitut multifid\u00e9lit\u00e9 exploite cette structure.<\/p>\n<h2>Quand la multi-fid\u00e9lit\u00e9 en vaut la peine<\/h2>\n<p>La mod\u00e9lisation multi-fid\u00e9lit\u00e9 ajoute de la complexit\u00e9 : vous devez collecter des donn\u00e9es \u00e0 partir de plusieurs sources, estimer les corr\u00e9lations entre les niveaux de fid\u00e9lit\u00e9 et utiliser des algorithmes plus sophistiqu\u00e9s. Ce n'est pas toujours le bon choix.<\/p>\n<h3>Les conditions de Toal<\/h3>\n<p>Les conditions pratiques identifi\u00e9es par <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">toal (2015)<\/a> dans lesquelles le krigeage multifid\u00e9lit\u00e9 am\u00e9liore en fait la pr\u00e9cision par rapport aux approches de fid\u00e9lit\u00e9 unique&nbsp;: ces conditions sont \u00e9tonnamment \u00e9troites et sont souvent n\u00e9glig\u00e9es dans la pratique&nbsp;:<\/p>\n<ol>\n<li><strong>Seuil de corr\u00e9lation<\/strong>&nbsp;: la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9 doit satisfaire R\u00b2 &gt;&nbsp;; 0.9. Si le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 produit des r\u00e9sultats qui ne sont que faiblement corr\u00e9l\u00e9s avec la v\u00e9rit\u00e9 terrain haute fid\u00e9lit\u00e9, l'approche multi-fid\u00e9lit\u00e9 peut en fait aggraver les pr\u00e9dictions en introduisant des informations contradictoires.<\/li>\n<li><strong>Fraction budg\u00e9taire<\/strong>&nbsp;: la fraction du budget total de simulation allou\u00e9e aux simulations bon march\u00e9 devrait se situer entre 0,1 et 0,8. Si vous d\u00e9pensez trop de budget pour des simulations bon march\u00e9 et trop peu pour des simulations co\u00fbteuses, le mod\u00e8le de correction ne peut pas \u00eatre correctement calibr\u00e9. Si vous d\u00e9pensez trop peu pour des simulations bon march\u00e9, vous ne pouvez pas \u00e9tablir la ligne de base avec pr\u00e9cision.<\/li>\n<li><strong>Ratio d'\u00e9chantillonnage conservateur<\/strong>&nbsp;: le nombre d'\u00e9chantillons bon march\u00e9 doit d\u00e9passer 1,75&nbsp;fois (1&nbsp;+&nbsp;1\/Cr), o\u00f9 CR est le rapport de corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9. Cela garantit suffisamment de donn\u00e9es pour apprendre la fonction de divergence de mani\u00e8re fiable.<\/li>\n<\/ol>\n<p>Lorsque ces conditions sont remplies, le krigeage multifid\u00e9lit\u00e9 fournit une pr\u00e9cision comparable \u00e0 celle des mod\u00e8les \u00e0 fid\u00e9lit\u00e9 qui n\u00e9cessiteraient de nombreux \u00e9chantillons plus co\u00fbteux. Lorsqu'ils ne sont pas rencontr\u00e9s, les praticiens doivent reconsid\u00e9rer la question de savoir si la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est appropri\u00e9e.<\/p>\n<h3>Analyse co\u00fbts-avantages<\/h3>\n<p>Au-del\u00e0 des conditions de Toal, l'adoption pratique de la multifid\u00e9lit\u00e9 n\u00e9cessite d'\u00e9valuer vos contraintes sp\u00e9cifiques&nbsp;:<\/p>\n<ul>\n<li><strong>Ratio de co\u00fbt de simulation<\/strong>&nbsp;: \u00e0 quel point le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 est-il moins cher&nbsp;? Si le rapport de co\u00fbt est inf\u00e9rieur \u00e0 10:1 (la simulation bon march\u00e9 est inf\u00e9rieure \u00e0 10 % du co\u00fbt de simulation co\u00fbteux), la mod\u00e9lisation multi-fid\u00e9lit\u00e9 devient attrayante pour les probl\u00e8mes n\u00e9cessitant des milliers d'ex\u00e9cutions.<\/li>\n<li><strong>Donn\u00e9es disponibles<\/strong>&nbsp;: Avez-vous d\u00e9j\u00e0 des donn\u00e9es de simulation \u00e0 faible fid\u00e9lit\u00e9&nbsp;? La mod\u00e9lisation multi-fid\u00e9lit\u00e9 est particuli\u00e8rement int\u00e9ressante lorsque des donn\u00e9es historiques bon march\u00e9 existent, mais qu'aucune donn\u00e9e de haute fid\u00e9lit\u00e9 n'a \u00e9t\u00e9 collect\u00e9e.<\/li>\n<li><strong>Exigences relatives \u00e0 la pr\u00e9cision<\/strong>&nbsp;: quelle pr\u00e9cision avez-vous besoin pour votre application&nbsp;? Pour l'analyse de l'espace de conception exploratoire, une pr\u00e9cision mod\u00e9r\u00e9e peut suffire. Pour la validation de la conception finale, vous avez besoin d'une pr\u00e9cision de haute fid\u00e9lit\u00e9.<\/li>\n<li><strong>Budget informatique<\/strong>&nbsp;: pouvez-vous vous permettre des centaines de simulations co\u00fbteuses&nbsp;? Si oui, les approches \u00e0 fid\u00e9lit\u00e9 unique peuvent \u00eatre pratiques. Si non, la multi-fid\u00e9lit\u00e9 est probablement n\u00e9cessaire.<\/li>\n<\/ul>\n<p>Le cadre de d\u00e9cision ci-dessous r\u00e9sume ces compromis :<\/p>\n<p><strong>Suggestion d'image<\/strong>&nbsp;: une courbe de compromis co\u00fbt-pr\u00e9cision montrant MF-krige atteignant une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt par rapport \u00e0 HIFI uniquement, avec les conditions du TOAL annot\u00e9es. Ce diagramme illustre la relation co\u00fbt-pr\u00e9cision.<\/p>\n<h3>Lorsque la fid\u00e9lit\u00e9 unique peut suffire<\/h3>\n<p>La mod\u00e9lisation de substitution monofid\u00e9lit\u00e9 (d\u00e9crite dans notre guide des <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substituts d'apprentissage automatique pour les simulations scientifiques<\/a>) est pr\u00e9f\u00e9rable lorsque&nbsp;:<\/p>\n<ul>\n<li>Les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 et haute fid\u00e9lit\u00e9 ont R\u00b2 &lt; 0,9 Corr\u00e9lation \u2014 Dans ce cas, la correction multi-fid\u00e9lit\u00e9 introduit le bruit plut\u00f4t que le signal<\/li>\n<li>Le mod\u00e8le bon march\u00e9 n'est que l\u00e9g\u00e8rement plus rapide (rapport de co\u00fbts &lt; 10:1) - les frais g\u00e9n\u00e9raux de la mod\u00e9lisation multi-fid\u00e9lit\u00e9 peuvent ne pas justifier les \u00e9conomies<\/li>\n<li>Vous disposez d'un budget suffisant pour suffisamment d'\u00e9chantillons haute fid\u00e9lit\u00e9.<\/li>\n<li>Votre probl\u00e8me n'a qu'un seul niveau de fid\u00e9lit\u00e9 disponible. Parfois, les simulations h\u00e9rit\u00e9es n'existent qu'\u00e0 un seul niveau de pr\u00e9cision<\/li>\n<\/ul>\n<h2>M\u00e9thodes de base<\/h2>\n<p>Le paysage de mod\u00e9lisation de substitution multifidelitit\u00e9 s'\u00e9tend sur plusieurs familles m\u00e9thodologiques distinctes. Chacun a des hypoth\u00e8ses, des forces et des faiblesses diff\u00e9rentes.<\/p>\n<h3>1. Co-krige (processus multi-fid\u00e9lit\u00e9 gaussienne)<\/h3>\n<p>Le co-krige est la m\u00e9thode multi-fid\u00e9lit\u00e9 la plus \u00e9tablie, ancr\u00e9e dans la formulation autor\u00e9gressive Kennedy et O'Hagan (2000). L'id\u00e9e cl\u00e9 est que le processus de haute fid\u00e9lit\u00e9 est mod\u00e9lis\u00e9 comme une mise \u00e0 l'\u00e9chelle lin\u00e9aire du processus de faible fid\u00e9lit\u00e9 plus un terme de divergence&nbsp;:<\/p>\n<p>y_hf(x) = \u03c4 \u00d7 y_lf(x) + \u03b4(x) + \u03b5<\/p>\n<p>L\u00e0 o\u00f9 \u03c4 met \u00e0 l'\u00e9chelle la pr\u00e9diction de faible fid\u00e9lit\u00e9, \u03b4(x) est un \u00e9cart de processus gaussien et \u03b5 est un bruit. La formulation autor\u00e9gressive construit le mod\u00e8le de haute fid\u00e9lit\u00e9 s\u00e9quentiellement \u00e0 partir de pr\u00e9dictions de faible fid\u00e9lit\u00e9 plut\u00f4t que de traiter tous les niveaux de fid\u00e9lit\u00e9 comme des entr\u00e9es ind\u00e9pendantes.<\/p>\n<p>La formulation standard de co-krige (AR1) suppose une relation lin\u00e9aire entre les niveaux de fid\u00e9lit\u00e9. Les formulations plus flexibles comprennent :<\/p>\n<ul>\n<li><strong>AR0<\/strong>&nbsp;: le processus de haute fid\u00e9lit\u00e9 est ind\u00e9pendant du processus de faible fid\u00e9lit\u00e9 (\u03c4 = 0), en mod\u00e9lisant uniquement le terme d'\u00e9cart<\/li>\n<li><strong>AR1<\/strong>&nbsp;: la formulation autor\u00e9gressive standard avec mise \u00e0 l'\u00e9chelle lin\u00e9aire<\/li>\n<li><strong>Krige hi\u00e9rarchique<\/strong>&nbsp;: contourne la construction de la matrice de covariance crois\u00e9e explicite, en associant la pr\u00e9cision de co-krige avec une mise en \u0153uvre plus simple.<\/li>\n<\/ul>\n<p><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015)<\/a> a montr\u00e9 que AR1 fonctionne bien lorsque la corr\u00e9lation d\u00e9passe R\u00b2 &gt;&nbsp;; 0,9, tandis que AR0 peut \u00eatre pr\u00e9f\u00e9rable lorsque la corr\u00e9lation est inf\u00e9rieure, mais que les mod\u00e8les partagent une certaine similitude structurelle.<\/p>\n<p><strong>Avances r\u00e9centes (2024-2026)<\/strong>&nbsp;: MAGPI (entr\u00e9es de GP augment\u00e9e multifidelitit\u00e9) utilise des pr\u00e9dictions de faible fid\u00e9lit\u00e9 comme caract\u00e9ristiques spatiales suppl\u00e9mentaires pour conditionner l'espace d'entr\u00e9e de haute fid\u00e9lit\u00e9, \u00e9vitant les grandes sorties multi-sorties. inversions de matrice tout en maintenant la quantification de l'incertitude. Co-krige r\u00e9cursive (2025) \u00e9limine l'optimisation pour les donn\u00e9es bruyantes et non imbriqu\u00e9es \u00e0 l'aide de mises \u00e0 jour de forme ferm\u00e9e, r\u00e9duisant consid\u00e9rablement le temps d'entra\u00eenement hors ligne.<\/p>\n<h3>2. Architectures multi-fid\u00e9lit\u00e9 de l'op\u00e9rateur neuronal<\/h3>\n<p>Les op\u00e9rateurs de neurones sont devenus un puissant cadre multi-fid\u00e9lit\u00e9, en particulier pour les probl\u00e8mes contraints \u00e0 la PDE. La comparaison exp\u00e9rimentale de <a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\">Adam Faza et al. (2026)<\/a> dans quatre cas de test ont identifi\u00e9 plusieurs architectures distinctes&nbsp;:<\/p>\n<p><strong>Transf\u00e9rer l'apprentissage (le plus performant)<\/strong>&nbsp;: former un op\u00e9rateur de neurones sur les donn\u00e9es de faible fid\u00e9lit\u00e9 d'abord, puis affiner les donn\u00e9es de haute fid\u00e9lit\u00e9. L'architecture apprend le comportement de simulation bon march\u00e9 avant de s'adapter \u00e0 une v\u00e9rit\u00e9 de terrain co\u00fbteuse. Dans tous les cas de test, seuls les apprentissages de transfert ont surpass\u00e9s de mani\u00e8re coh\u00e9rente la ligne de base haute fid\u00e9lit\u00e9 uniquement, contredisant l'intuition courante selon laquelle la formation conjointe devrait fonctionner le mieux. Ceci est particuli\u00e8rement utile pour les probl\u00e8mes de flux instables o\u00f9 l'incorporation directe \u00e0 faible fid\u00e9lit\u00e9 \u00e9choue \u00e0 la g\u00e9n\u00e9ralisation.<\/p>\n<p><strong>Interm\u00e9diaire (formation conjointe)<\/strong>&nbsp;: entra\u00eenez simultan\u00e9ment un seul op\u00e9rateur neuronal sur les donn\u00e9es des deux niveaux de fid\u00e9lit\u00e9. Cette approche a l'attrait intuitif d'apprendre les deux mod\u00e8les conjointement, mais fonctionne mal lorsque la faible fid\u00e9lit\u00e9 \u00e0 la haute fid\u00e9lit\u00e9 est importante. Des informations contradictoires provenant des deux niveaux de fid\u00e9lit\u00e9 confondent le r\u00e9seau.<\/p>\n<p><strong>Apprentissage r\u00e9siduel<\/strong>&nbsp;: entra\u00eenez le r\u00e9seau \u00e0 pr\u00e9dire la diff\u00e9rence entre les pr\u00e9dictions de haute fid\u00e9lit\u00e9 et de faible fid\u00e9lit\u00e9 plut\u00f4t que la sortie de haute fid\u00e9lit\u00e9 directement. Cette architecture peut \u00eatre utile lorsque le r\u00e9sidu est plus simple que la sortie compl\u00e8te mais n\u00e9cessite des pr\u00e9dictions pr\u00e9cises de faible fid\u00e9lit\u00e9 en entr\u00e9e.<\/p>\n<p><strong>Architecture en deux \u00e9tapes<\/strong>&nbsp;: formez un r\u00e9seau sur des donn\u00e9es \u00e0 faible fid\u00e9lit\u00e9 et un deuxi\u00e8me r\u00e9seau sur l'\u00e9cart, encha\u00eenant les pr\u00e9dictions. Cela d\u00e9couple les t\u00e2ches d'apprentissage mais introduit des erreurs de composition.<\/p>\n<p>Faza et al. ont constat\u00e9 que les op\u00e9rateurs neuronaux multi-fid\u00e9lit\u00e9 sont plus sensibles \u00e0 la faible fid\u00e9lit\u00e9 \u00e0 l'\u00e9cart de haute fid\u00e9lit\u00e9 que les lignes de base \u00e0 une fid\u00e9lit\u00e9 unique. Les strat\u00e9gies d'incorporation directe \u00e0 faible fid\u00e9lit\u00e9 (interm\u00e9diaire, r\u00e9siduelle, en deux \u00e9tapes) se d\u00e9gradent lorsque l'\u00e9cart grandit, tandis que l'apprentissage par transfert reste stable \u00e0 travers les variations de pas de temps.<\/p>\n<p>Les architectures d'op\u00e9rateurs neuronaux les plus pertinentes pour la multifid\u00e9lit\u00e9 comprennent les op\u00e9rateurs de neurones de Fourier (FNO) et les variantes DeePonet. Tang et al. (2024) ont d\u00e9montr\u00e9 des op\u00e9rateurs de neurones de Fourier pour les applications g\u00e9ologiques de stockage du carbone, tandis que Lu et al. (2022) ont introduit les architectures DeepOnet multi-fid\u00e9lit\u00e9.<\/p>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\">Wu et al. (2022)<\/a> ont propos\u00e9 des processus neuronaux hi\u00e9rarchiques multi-fid\u00e9lit\u00e9s (MF-HNP) en tant que mod\u00e8le de variable latente neurale unifi\u00e9e pour la mod\u00e9lisation de substitution \u00e9volutive multifid\u00e9lit\u00e9, offrant une alternative aux approches bas\u00e9es sur l'op\u00e9rateur.<\/p>\n<h3>3. Substituts de substitution d'ordre r\u00e9duit<\/h3>\n<p>Les techniques de mod\u00e9lisation d'ordre r\u00e9duit (ROM) telles que la d\u00e9composition orthogonale appropri\u00e9e (POD) combin\u00e9es \u00e0 des m\u00e9thodes temporelles telles que LSTM peuvent cr\u00e9er des substituts multi-fid\u00e9lit\u00e9 pour les syst\u00e8mes d\u00e9pendant du temps. Le r\u00e9f\u00e9rentiel Contipaolo\/Multifidelity_Pod fournit une impl\u00e9mentation open-source de la mod\u00e9lisation de substitution de substitution bas\u00e9e sur le pod avec des didacticiels.<\/p>\n<p>L'approche fonctionne en extrayant des modes dominants \u00e0 partir de donn\u00e9es de simulation \u00e0 faible fid\u00e9lit\u00e9, puis en apprenant \u00e0 corriger ces modes \u00e0 l'aide de donn\u00e9es haute fid\u00e9lit\u00e9. Ceci est particuli\u00e8rement attrayant pour les syst\u00e8mes o\u00f9 le comportement physique dominant est captur\u00e9 qualitativement par le mod\u00e8le de faible fid\u00e9lit\u00e9 et les corrections de haute fid\u00e9lit\u00e9 sont relativement faibles.<\/p>\n<h3>4. Corrections hybrides ML<\/h3>\n<p>Les approches hybrides combinent la mod\u00e9lisation de substitution traditionnelle avec les r\u00e9seaux de correction d'apprentissage automatique. Par exemple, une substitution de processus gaussienne bas\u00e9e sur des donn\u00e9es de faible fid\u00e9lit\u00e9 peut \u00eatre corrig\u00e9e par un r\u00e9seau neuronal form\u00e9 sur des donn\u00e9es haute fid\u00e9lit\u00e9. Cette approche tire parti de la forte quantification de l'incertitude des processus gaussiens tout en b\u00e9n\u00e9ficiant de la flexibilit\u00e9 des r\u00e9seaux de neurones pour apprendre des \u00e9carts complexes.<\/p>\n<p><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\">ravi et al. (2024)<\/a> ont fourni une comparaison compl\u00e8te des m\u00e9thodes de mod\u00e9lisation de la substitution gaussienne multi-fid\u00e9lit\u00e9, y compris les formulations autor\u00e9gressives, les approches hi\u00e9rarchiques et les processus gaussiens multi-sorties latent-map.<\/p>\n<h2>Mise en \u0153uvre pratique<\/h2>\n<p>L'\u00e9cosyst\u00e8me Python pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est fragment\u00e9 mais m\u00fbrit. Trois bo\u00eetes \u00e0 outils principales couvrent diff\u00e9rents aspects du paysage. Comprendre quel outil correspond \u00e0 votre probl\u00e8me est essentiel.<\/p>\n<h3>SMT : Processus gaussiens multi-fid\u00e9lit\u00e9<\/h3>\n<p>SMT (Surrogate Modeling Toolbox) fournit l'impl\u00e9mentation de Krige multi-fid\u00e9lit\u00e9 la plus compl\u00e8te dans Python, notamment MFK (multi-fidelit\u00e9 de krige) et MFK (Multi-Fidelity Co-Kriging). Il prend en charge \u00e0 la fois les formulations autor\u00e9gressives et latent-map et s'int\u00e8gre bien avec les flux de travail bas\u00e9s sur Scipy.<\/p>\n<p><strong>Suggestion d'image<\/strong>&nbsp;: un diagramme de hi\u00e9rarchie de fid\u00e9lit\u00e9 illustrant le flux de donn\u00e9es via le pipeline de co-krige de SMT&nbsp;: simulations \u00e0 faible fid\u00e9lit\u00e9 \u2192 \u00e9chantillons de haute fid\u00e9lit\u00e9 \u2192 Estimation de corr\u00e9lation \u2192 Mod\u00e8le de co-krige \u2192 pr\u00e9dictions corrig\u00e9es.<\/p>\n<p>Voici un exemple pratique utilisant le co-krige multi-fid\u00e9lit\u00e9 de SMT :<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom smt.smt import MultiFidelityKriging\nfrom smt.surveys import design_of_experiments as doe\n\n# Low-fidelity data (cheap simulations)\nlf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions\nlf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics\n\n# High-fidelity data (expensive simulations)\nhf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples\nhf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics\n\n# Build multi-fidelity co-kriging model\nmodel = MultiFidelityKriging()\nmodel.lf_des = lf_x\nmodel.lf_resp = lf_y\nmodel.hf_des = hf_x\nmodel.hf_resp = hf_y\n\n# Train the model\nmodel.execute()\n\n# Predict for new design points\ntest_points = doe.latin_hypercube(50, 2)\npredictions = model.hf_response(test_points)\n<\/code><\/pre>\n<p>L'id\u00e9e cl\u00e9 de Toal (2015) s'applique ici&nbsp;: v\u00e9rifiez que la corr\u00e9lation entre LF_Y et HF_Y d\u00e9passe R\u00b2 &gt;&nbsp;; 0,9 avant de s'appuyer sur le mod\u00e8le multi-fid\u00e9lit\u00e9. Vous pouvez estimer cette corr\u00e9lation empiriquement avant la formation.<\/p>\n<h3>DeepXDE : Op\u00e9rateurs neuronaux multi-fid\u00e9lit\u00e9s bas\u00e9s sur la physique<\/h3>\n<p>DeepXDE fournit une infrastructure aux op\u00e9rateurs neuronaux inform\u00e9s par la physique avec des capacit\u00e9s multi-fid\u00e9lit\u00e9. Le cadre combine des contraintes physiques (r\u00e9sidus PDE) avec des donn\u00e9es multi-fid\u00e9lit\u00e9, ce qui le rend particuli\u00e8rement utile lorsque vous disposez d'\u00e9quations r\u00e9gissant les niveaux de fid\u00e9lit\u00e9 multiples.<\/p>\n<p>Pour la formation multi-fid\u00e9lit\u00e9 des op\u00e9rateurs neuronaux avec DeepXDE :<\/p>\n<pre><code class=\"language-python\">import deepxde as dde\nimport numpy as np\n\n# Define the physics problem (example: 1D Poisson equation)\ndef physics_function(x):\n    # Ground truth: -u''(x) = f(x) with boundary conditions\n    u_exact = np.sin(np.pi * x)\n    f = np.pi**2 * u_exact\n    return f\n\n# Low-fidelity data\nx_lf = np.linspace(0, 1, 50)[:, np.newaxis]\nu_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)\n\n# High-fidelity data (expensive)\nx_hf = np.linspace(0, 1, 20)[:, np.newaxis]\nu_hf = np.sin(np.pi * x_hf)  # True solution\n\n# Multi-fidelity neural operator setup\n# Transfer learning: train on LF first, then fine-tune on HF\n# This is the architecture that consistently outperforms others\n# across PDE test cases (Faza et al., 2026)\n<\/code><\/pre>\n<p>L'approche d'apprentissage par transfert forme ici un op\u00e9rateur neuronal sur les donn\u00e9es de faible fid\u00e9lit\u00e9 (apprenant le comportement g\u00e9n\u00e9ral de la solution), puis affine les donn\u00e9es sur les donn\u00e9es de haute fid\u00e9lit\u00e9 (adaptant \u00e0 la v\u00e9rit\u00e9 de terrain pr\u00e9cise). Cette approche d'initialisation de poids est plus robuste que l'entra\u00eenement conjoint lorsque l'\u00e9cart de fid\u00e9lit\u00e9 est important.<\/p>\n<p>DeepXDE est particuli\u00e8rement utile lorsque vous avez des r\u00e9sidus de PDE disponibles et que vous souhaitez imposer des contraintes physiques ainsi que des donn\u00e9es multi-fid\u00e9lit\u00e9. C'est ce qu'on appelle la mod\u00e9lisation multi-fid\u00e9lit\u00e9 fond\u00e9e sur la physique.<\/p>\n<h3>Multifidelity_pod&nbsp;: mod\u00e9lisation multi-fid\u00e9lit\u00e9 d'ordre r\u00e9duit<\/h3>\n<p>Le r\u00e9f\u00e9rentiel Multifidelity_Pod fournit une mod\u00e9lisation d'ordre r\u00e9duit \u00e0 l'aide d'une d\u00e9composition orthogonale appropri\u00e9e combin\u00e9e \u00e0 des m\u00e9thodes temporelles pour des syst\u00e8mes multifidelit\u00e9s d\u00e9pendant du temps. Ceci est particuli\u00e8rement utile pour les probl\u00e8mes instables o\u00f9 vous avez besoin de correction de fid\u00e9lit\u00e9 spatiale et temporelle.<\/p>\n<pre><code class=\"language-python\"># MultiFidelity_POD usage pattern\nimport MultiFidelity_POD as mfpod\n\n# Load low-fidelity and high-fidelity simulation snapshots\nlf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\nhf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\n\n# Build reduced-order multi-fidelity model\nmodel = mfpod.MultiFidelityROM()\nmodel.fit(lf_snapshots, hf_snapshots)\n\n# Predict unsteady behavior at new conditions\npredictions = model.predict_new_conditions(test_conditions)\n<\/code><\/pre>\n<p>Multifidelity_pod est id\u00e9al lorsque votre probl\u00e8me implique des donn\u00e9es de simulation en fonction du temps (instabilit\u00e9 CFD, analyse thermique transitoire) et que vous devez corriger le comportement spatial et temporel. Le r\u00e9f\u00e9rentiel comprend des cahiers de tutoriels d\u00e9montrant le workflow.<\/p>\n<h3>Choisir votre bo\u00eete \u00e0 outils<\/h3>\n<table>\n<thead>\n<tr>\n<th>Exigence<\/th>\n<th>Meilleur outil<\/th>\n<th>Pourquoi<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Processus gaussienne avec UQ<\/td>\n<td>smt<\/td>\n<td>Bo\u00eete \u00e0 outils GP la plus compl\u00e8te, impl\u00e9mentations de co-krige matures<\/td>\n<\/tr>\n<tr>\n<td>Op\u00e9rateurs neuronaux bas\u00e9s sur la physique<\/td>\n<td>DeepXDE<\/td>\n<td>Contraintes int\u00e9gr\u00e9es de la PDE, prise en charge des transferts d'apprentissage<\/td>\n<\/tr>\n<tr>\n<td>d\u00e9pendant du temps d'ordre r\u00e9duit<\/td>\n<td>Multifidelity_pod<\/td>\n<td>Flux de travail POD-LSTM, donn\u00e9es de simulation instables<\/td>\n<\/tr>\n<tr>\n<td>Prototypage rapide<\/td>\n<td>smt<\/td>\n<td>Bien document\u00e9, compatible Scipy<\/td>\n<\/tr>\n<tr>\n<td>Architectures neuronales personnalis\u00e9es<\/td>\n<td>DeepXDE<\/td>\n<td>Flexibilit\u00e9 de TensorFlow\/PyTorch, architectures personnalis\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Flux de travail de la ROM h\u00e9rit\u00e9e<\/td>\n<td>Multifidelity_pod<\/td>\n<td>S'int\u00e8gre aux pipelines de pod existants<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>L'\u00e9cosyst\u00e8me est en train de m\u00fbrir - les suites de r\u00e9f\u00e9rence comme MF2 commencent \u00e0 fournir des cadres de comparaison standardis\u00e9s. Jusqu'\u00e0 ce qu'une bo\u00eete \u00e0 outils unifi\u00e9e \u00e9merge, les praticiens doivent s\u00e9lectionner des outils en fonction de leurs exigences de fid\u00e9lit\u00e9 sp\u00e9cifiques, des donn\u00e9es disponibles et des contraintes de calcul.<\/p>\n<h2>\u00e9tudes de cas<\/h2>\n<h3>CFD a\u00e9rospatiale : Optimisation transonique des profils a\u00e9rodynamiques<\/h3>\n<p>L'optimisation de la forme a\u00e9rodynamique est l'une des applications multi-fid\u00e9lit\u00e9 les plus \u00e9tablies. <a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\">Fern\u00e1ndez-Godino et al. (2023)<\/a> ont document\u00e9 que la m\u00e9canique des fluides (46&nbsp;%) et la m\u00e9canique des solides (25&nbsp;%) dominent les applications multi-fid\u00e9lit\u00e9s dans la litt\u00e9rature \u00e9tudi\u00e9e.<\/p>\n<p>Le flux de travail typique pour l'optimisation du profil a\u00e9rodynamique utilise :<\/p>\n<ul>\n<li><strong>Low Fidelity<\/strong>&nbsp;: Solveur de flux de potentiel (secondes par ex\u00e9cution)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: Solveur de Navier-Stokes avec mod\u00e9lisation de turbulences (minutes \u00e0 heures par course)<\/li>\n<\/ul>\n<p>Le mod\u00e8le de flux de potentiel capture les caract\u00e9ristiques dominantes de la distribution de pression avec pr\u00e9cision, mais manque les effets visqueux et la physique des ondes de choc. La m\u00e8re porteuse multifid\u00e9lit\u00e9 apprend l'\u00e9cart, permettant une \u00e9valuation rapide de milliers de candidats en conception utilisant principalement des simulations de flux de potentiel bon march\u00e9 avec des cycles de validation s\u00e9lectionn\u00e9s de Navier-Stokes.<\/p>\n<p>Il a \u00e9t\u00e9 d\u00e9montr\u00e9 que l'optimisation bay\u00e9sienne multi-fid\u00e9lit\u00e9 \u00e0 l'aide de cette approche r\u00e9duit le nombre d'\u00e9valuations haute fid\u00e9lit\u00e9 requises pour l'optimisation des profils a\u00e9rodynamiques par ordre de grandeur par rapport aux approches \u00e0 fid\u00e9lit\u00e9 unique. La corr\u00e9lation entre le flux de potentiel et les pr\u00e9dictions de Navier-Stokes est g\u00e9n\u00e9ralement suffisamment \u00e9lev\u00e9e (r\u00b2 &gt;&nbsp;; 0,9) pour satisfaire aux <a\u00a00>conditions de l'outil, ce qui en fait un candidat solide pour la mod\u00e9lisation multi-fid\u00e9lit\u00e9.<\/a\u00a00><\/p>\n<p><a href=\"https:\/\/robertwenink.com\/posts\/mfkriging\/\" rel=\"nofollow\">explication pratique de Robert Wenink<\/a> fournit une excellente visite p\u00e9dagogique de ce flux de travail \u00e0 l'aide de Forrester et al. Probl\u00e8me de r\u00e9f\u00e9rence, d\u00e9montrant comment le co-krige exploite efficacement le ratio de donn\u00e9es bon march\u00e9 \u00e0 co\u00fbteux.<\/p>\n<h3>M\u00e9canique des composites : substituts multi-fid\u00e9lit\u00e9 pour composites<\/h3>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">wen (2026)<\/a> Pour la m\u00e9canique des composites, la transition de la co-krige aux r\u00e9seaux de neurones multifid\u00e9lit\u00e9. L'\u00e9tude a port\u00e9 sur la pr\u00e9diction des propri\u00e9t\u00e9s m\u00e9caniques des stratifi\u00e9s composites dans diverses conditions de chargement, o\u00f9 :<\/p>\n<ul>\n<li><strong>faible fid\u00e9lit\u00e9<\/strong>&nbsp;: mod\u00e8le de th\u00e9orie en couche (rapide, capture le comportement macroscopique)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: analyse compl\u00e8te des \u00e9l\u00e9ments finis en 3D au niveau du pli (pr\u00e9cis, co\u00fbteux en termes de calcul)<\/li>\n<\/ul>\n<p>L'\u00e9tude a montr\u00e9 que le co-krige surpassait les processus gaussiens \u00e0 une fid\u00e9lit\u00e9 unique lorsque la corr\u00e9lation entre la th\u00e9orie des couches et la FEM compl\u00e8te 3D d\u00e9passait R\u00b2 &gt;&nbsp;; 0.9. Pour les cas o\u00f9 la corr\u00e9lation \u00e9tait mod\u00e9r\u00e9e, l'\u00e9tude est pass\u00e9e \u00e0 des r\u00e9seaux de neurones multi-fid\u00e9lit\u00e9, qui g\u00e8rent des \u00e9carts plus importants de mani\u00e8re plus robuste.<\/p>\n<p>Ce cas met en \u00e9vidence une d\u00e9cision pratique&nbsp;: lorsque la corr\u00e9lation entre la faible fid\u00e9lit\u00e9 et la haute fid\u00e9lit\u00e9 est forte, le co-krige est efficace et bien compris. Lorsque la corr\u00e9lation est plus faible (comme cela peut se produire avec des sc\u00e9narios de chargement complexes ou des plis hors axe), les approches de l'op\u00e9rateur neuronal peuvent \u00eatre pr\u00e9f\u00e9rables.<\/p>\n<h3>Stockage g\u00e9ologique du carbone : simulation de flux multi-fid\u00e9lit\u00e9<\/h3>\n<p>La pr\u00e9diction de la migration du panache CO\u2082 sur des d\u00e9cennies n\u00e9cessite la r\u00e9solution d'\u00e9quations d'\u00e9coulement multiphase avec un couplage thermodynamique complet. Les simulations \u00e0 la grille fine avec une physique compl\u00e8te sont prohibitives pour la quantification de l'incertitude, ce qui n\u00e9cessite des milliers de r\u00e9alisations.<\/p>\n<p>Les approches multi-fid\u00e9lit\u00e9s combinent :<\/p>\n<ul>\n<li><strong>faible fid\u00e9lit\u00e9<\/strong>&nbsp;: simulations \u00e0 la grille grossi\u00e8re avec thermodynamique simplifi\u00e9e (bon march\u00e9)<\/li>\n<li><strong>Haute fid\u00e9lit\u00e9<\/strong>&nbsp;: simulations \u00e0 la grille fine avec couplage thermodynamique complet (co\u00fbteux)<\/li>\n<\/ul>\n<p>Tang et al. (2024) ont d\u00e9montr\u00e9 des op\u00e9rateurs de neurones de Fourier pour les applications g\u00e9ologiques de stockage du carbone, montrant que les op\u00e9rateurs de neurones multifid\u00e9lit\u00e9 peuvent apprendre l'\u00e9cart entre les simulations de grille grossi\u00e8re et fine tout en respectant les contraintes physiques sous-jacentes.<\/p>\n<p>Cette application est particuli\u00e8rement int\u00e9ressante car l'\u00e9cart de fid\u00e9lit\u00e9 implique \u00e0 la fois la r\u00e9solution de grille et la simplification physique du mod\u00e8le. Le mod\u00e8le \u00e0 faible fid\u00e9lit\u00e9 utilise des grilles plus grossi\u00e8res et une thermodynamique simplifi\u00e9e, tandis que le mod\u00e8le haute fid\u00e9lit\u00e9 r\u00e9sout l'h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 \u00e0 l'\u00e9chelle fine et le comportement en phase compl\u00e8te. C'est plus proche du sc\u00e9nario \"Diff\u00e9rences entre gouvernements\" (RANS vs. dans les CFD) que le simple grossissement de grille, ce qui en fait un cas de test difficile mais pratiquement important.<\/p>\n<h2>Cadre de compromis et de d\u00e9cision<\/h2>\n<p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 offre un potentiel important pour r\u00e9duire les co\u00fbts de calcul, mais elle introduit une complexit\u00e9 qui doit \u00eatre soigneusement g\u00e9r\u00e9e.<\/p>\n<h3>Complexit\u00e9 vs pr\u00e9cision<\/h3>\n<p>Le principal compromis dans la mod\u00e9lisation multi-fid\u00e9lit\u00e9 se situe entre la complexit\u00e9 du mod\u00e8le et le gain de pr\u00e9cision. Les approches multi-fid\u00e9lit\u00e9 n\u00e9cessitent :<\/p>\n<ul>\n<li><strong>Plus de collecte de donn\u00e9es<\/strong>&nbsp;: vous avez besoin de donn\u00e9es provenant de plusieurs niveaux de fid\u00e9lit\u00e9, pas un seul<\/li>\n<li><strong>Estimation de la corr\u00e9lation<\/strong>&nbsp;: vous devez estimer la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9<\/li>\n<li><strong>Algorithmes plus sophistiqu\u00e9s<\/strong>&nbsp;: les m\u00e9thodes de co-krige, les op\u00e9rateurs de neurones et les m\u00e9thodes d'ordre r\u00e9duit sont plus complexes que les r\u00e9seaux de neurones \u00e0 fid\u00e9lit\u00e9 unique ou de base<\/li>\n<li><strong>R\u00e9glage des param\u00e8tres<\/strong>&nbsp;: les mod\u00e8les multi-fid\u00e9lit\u00e9 ont des hyperparam\u00e8tres suppl\u00e9mentaires (rapports de corr\u00e9lation, poids de fid\u00e9lit\u00e9)<\/li>\n<\/ul>\n<p>Le gain de pr\u00e9cision doit justifier cette complexit\u00e9. Pour les probl\u00e8mes n\u00e9cessitant des milliers de simulations o\u00f9 les ex\u00e9cutions haute fid\u00e9lit\u00e9 prennent des heures, la mod\u00e9lisation multi-fid\u00e9lit\u00e9 peut r\u00e9duire le temps de calcul total par ordre de grandeur. Pour les probl\u00e8mes de nombre de simulations modestes, les frais g\u00e9n\u00e9raux ne valent peut-\u00eatre pas la peine.<\/p>\n<h3>Cadre de d\u00e9cision<\/h3>\n<p>Utilisez ce cadre de d\u00e9cision pour d\u00e9terminer quand la mod\u00e9lisation multi-fid\u00e9lit\u00e9 est appropri\u00e9e :<\/p>\n<p><strong>Quand utiliser la multi-fid\u00e9lit\u00e9&nbsp;:<\/strong><\/p>\n<ul>\n<li>Les simulations haute fid\u00e9lit\u00e9 sont co\u00fbteuses (heures par ex\u00e9cution) et vous avez besoin de nombreuses \u00e9valuations (centaines +)<\/li>\n<li>Des simulations \u00e0 faible fid\u00e9lit\u00e9 sont disponibles et corr\u00e9l\u00e9es (R\u00b2 &gt; 0,9) avec des r\u00e9sultats haute fid\u00e9lit\u00e9<\/li>\n<li>Vous disposez de donn\u00e9es historiques \u00e0 faible fid\u00e9lit\u00e9 que vous pouvez exploiter<\/li>\n<li>Vos exigences de pr\u00e9cision sont mod\u00e9r\u00e9es pour les phases d'exploration<\/li>\n<\/ul>\n<p><strong>Quand utiliser la fid\u00e9lit\u00e9 unique&nbsp;:<\/strong><\/p>\n<ul>\n<li>Les simulations haute fid\u00e9lit\u00e9 sont suffisamment bon march\u00e9 (minutes par ex\u00e9cution) pour que vous puissiez vous permettre suffisamment d'\u00e9chantillons<\/li>\n<li>Les mod\u00e8les \u00e0 faible fid\u00e9lit\u00e9 ont une faible corr\u00e9lation (R\u00b2 &lt; 0,9) avec des r\u00e9sultats haute fid\u00e9lit\u00e9<\/li>\n<li>Vous n'avez qu'un seul niveau de fid\u00e9lit\u00e9 disponible<\/li>\n<li>Vous avez besoin d'une pr\u00e9cision de validation finale et vous ne pouvez pas vous fier aux corrections de mod\u00e8les bon march\u00e9<\/li>\n<\/ul>\n<p><strong>Lorsque la complexit\u00e9 MF n'en vaut peut-\u00eatre pas la peine&nbsp;:<\/strong><\/p>\n<ul>\n<li>L'\u00e9cart de fid\u00e9lit\u00e9 est faible (rapport de co\u00fbts &lt; 10:1) - les frais g\u00e9n\u00e9raux ne peuvent pas justifier des \u00e9conomies<\/li>\n<li>Votre probl\u00e8me a une faible corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9 - la correction multi-fid\u00e9lit\u00e9 introduit le bruit<\/li>\n<li>Vous disposez d'un budget suffisant pour un \u00e9chantillonnage adaptatif \u00e0 une seule fid\u00e9lit\u00e9 : un \u00e9chantillonnage adaptatif \u00e0 une fid\u00e9lit\u00e9 peut \u00eatre plus efficace<\/li>\n<\/ul>\n<h3>Recommandations pratiques<\/h3>\n<ol>\n<li><strong>Estimez d'abord la corr\u00e9lation<\/strong>&nbsp;: avant d'investir dans la mod\u00e9lisation multi-fid\u00e9lit\u00e9, estimez la corr\u00e9lation entre les donn\u00e9es disponibles de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9. Si r\u00b2 &lt; 0,9, reconsid\u00e9rez si la multi-fid\u00e9lit\u00e9 est appropri\u00e9e ou si vous avez besoin d'un mod\u00e8le de faible fid\u00e9lit\u00e9 diff\u00e9rent.<\/li>\n<li><strong>Commencez par co-krige<\/strong>&nbsp;: si la corr\u00e9lation est forte, commencez par co-krige (SMT). Il est bien compris, fournit une quantification fiable de l'incertitude et est plus facile \u00e0 mettre en \u0153uvre que les approches des op\u00e9rateurs neuronaux.<\/li>\n<li><strong>Envisagez l'apprentissage par transfert pour les op\u00e9rateurs de neurones<\/strong>&nbsp;: si vous avez besoin de la flexibilit\u00e9 des op\u00e9rateurs neuronaux (entr\u00e9es de grande dimension, g\u00e9om\u00e9tries complexes), l'apprentissage des transferts surpasse de mani\u00e8re coh\u00e9rente les autres architectures dans les cas de test (Faza et al., 2026).<\/li>\n<li><strong>Surveillez l'\u00e9cart<\/strong>&nbsp;: suivez l'\u00e9volution de l'\u00e9cart de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 au cours de l'entra\u00eenement. S'il devient trop grand, le mod\u00e8le multi-fid\u00e9lit\u00e9 peut se d\u00e9grader - c'est \u00e0 ce moment-l\u00e0 que les approches \u00e0 fid\u00e9lit\u00e9 unique ou diff\u00e9rents mod\u00e8les de faible fid\u00e9lit\u00e9 peuvent \u00eatre pr\u00e9f\u00e9rables.<\/li>\n<li><strong>Valider avec les donn\u00e9es de support<\/strong>&nbsp;: validez toujours les pr\u00e9dictions multi-fid\u00e9lit\u00e9 par rapport aux donn\u00e9es de haute fid\u00e9lit\u00e9. Les mod\u00e8les multi-fid\u00e9lit\u00e9 peuvent surajuster la structure de divergence, en particulier lorsque la corr\u00e9lation est mod\u00e9r\u00e9e.<\/li>\n<\/ol>\n<h2>R\u00e9sum\u00e9<\/h2>\n<p>La mod\u00e9lisation de substitution multi-fid\u00e9lit\u00e9 combine des simulations \u00e0 faible fid\u00e9lit\u00e9 bon march\u00e9 avec des donn\u00e9es haute fid\u00e9lit\u00e9 co\u00fbteuses pour obtenir des pr\u00e9dictions pr\u00e9cises \u00e0 un co\u00fbt de calcul nettement inf\u00e9rieur. Le cadre exploite la corr\u00e9lation entre les niveaux de fid\u00e9lit\u00e9, en utilisant l'apprentissage automatique pour apprendre et corriger l'\u00e9cart entre eux.<\/p>\n<p>Principales informations pratiques :<\/p>\n<ul>\n<li>Transfer Learning est actuellement la strat\u00e9gie d'op\u00e9rateur neuronal multi-fid\u00e9lit\u00e9 la plus robuste dans les cas de test PDE, surpassant syst\u00e9matiquement les architectures de formation conjointes<\/li>\n<li>Le krigeage multi-fid\u00e9lit\u00e9 a des conditions d'applicabilit\u00e9 \u00e9troites (r\u00b2 &gt; corr\u00e9lation 0,9, fraction budg\u00e9taire 0,1-0,8) qui sont souvent n\u00e9glig\u00e9es<\/li>\n<li>L'\u00e9cosyst\u00e8me Python est fragment\u00e9 - SMT, DeepXDE et Multifidelity_Pod couvrent chacun des aspects diff\u00e9rents, et aucune biblioth\u00e8que ne fait tout<\/li>\n<li>Les probl\u00e8mes pratiques les plus difficiles impliquent des diff\u00e9rences de gouvernance-\u00e9quation (RANS vs.) plut\u00f4t qu'un simple grossissement de la grille<\/li>\n<li>La mod\u00e9lisation de substitution \u00e0 une seule fid\u00e9lit\u00e9 peut \u00eatre suffisante lorsque la corr\u00e9lation est faible ou que le budget de calcul est ad\u00e9quat.<\/li>\n<\/ul>\n<p>Pour les praticiens qui envisagent la mod\u00e9lisation multi-fid\u00e9lit\u00e9, le cadre de d\u00e9cision ci-dessus fournit des conseils concrets sur le moment de l'utiliser et le moment de l'\u00e9viter. Le message de base est clair : les substituts multi-fid\u00e9lit\u00e9 sont puissants lorsque les conditions sont remplies, mais elles ajoutent de la complexit\u00e9 qui doit \u00eatre justifi\u00e9e par le gain de pr\u00e9cision et les \u00e9conomies de calcul.<\/p>\n<p>Si vous explorez des approches de mod\u00e9lisation de substitution plus largement, notre guide des <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substances d'apprentissage automatique pour les simulations scientifiques<\/a> couvre les bases de la fid\u00e9lit\u00e9 unique, tandis que notre <a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Guide des extensions du chaos polynomial<\/a> offre une alternative rapide. approche de substitution.<\/p>\n<p><strong>Guides connexes<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">substatives d'apprentissage automatique pour les simulations scientifiques<\/a> \u2014 couvre les processus gaussiens, les r\u00e9seaux de neurones et le PCE Substituts au niveau de la fid\u00e9lit\u00e9<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Quantification de l'incertitude et analyse de sensibilit\u00e9<\/a> \u2014 explore les m\u00e9thodes UQ, y compris la multi-fid\u00e9lit\u00e9 mentionn\u00e9e bri\u00e8vement<\/li>\n<li><a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">expansions du chaos polynomial&nbsp;: substituts rapides<\/a> \u2014 Approche de substitution alternative pour la propagation de l'incertitude<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pytorch-guide\/\">R\u00e9seaux de neurones \u00e0 base de physique (PINN)<\/a> \u2014 couvre les PINN et leur relation avec les approches multi-fid\u00e9lit\u00e9 bas\u00e9es sur la physique<\/li>\n<\/ul>\n<p><strong>R\u00e9f\u00e9rences cl\u00e9s<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\">Fern\u00e1ndez-Godino et al. (2023) \u2014 Examen des mod\u00e8les multi-fid\u00e9lit\u00e9s<\/a> \u2014 L'enqu\u00eate compl\u00e8te d\u00e9finitive couvrant toutes les m\u00e9thodes, applications et tendances de MF<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\">Adam Faza et al. (2026) \u2014 sur l'op\u00e9rateur neuronal multifidelit\u00e9 pour les pr\u00e9dictions PDE bas\u00e9es sur les donn\u00e9es<\/a> \u2014 Comparaison exp\u00e9rimentale des architectures MF-NO (transfert d'apprentissage, interm\u00e9diaire, r\u00e9siduel, en deux \u00e9tapes)<\/li>\n<li><a href=\"https:\/\/smt.readthedocs.io\" target=\"_blank\" rel=\"nofollow noopener\">documentation SMT (Surrogate Modeling Toolbox)<\/a> - la biblioth\u00e8que Python la plus compl\u00e8te pour les GP Mod\u00e9lisation des substituts, y compris les impl\u00e9mentations multi-fid\u00e9lit\u00e9 de krigeage (MFK) et de co-krige (MFK)<\/li>\n<li><a href=\"https:\/\/github.com\/ContiPaolo\/MultiFidelity_POD\" target=\"_blank\" rel=\"nofollow noopener\">Contipaolo\/MultiFidelity_Pod GitHub<\/a> \u2014 Impl\u00e9mentation open-source de la mod\u00e9lisation de substitution MF bas\u00e9e sur le pod avec le didacticiel<\/li>\n<li><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\">ravi et al. \u2014 Mod\u00e9lisation de la substitution de la m\u00e8re porteuse multi-fid\u00e9lit\u00e9<\/a> \u2014 Comparaison compl\u00e8te des m\u00e9thodes MF-GP (AR1, autor\u00e9gressive, hi\u00e9rarchique)<\/li>\n<li><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) \u2014 Quelques consid\u00e9rations concernant l'utilisation du krigeage multifid\u00e9lit\u00e9<\/a> \u2014 Conditions pratiques d\u00e9finitives pour les travaux de krigeage MF (corr\u00e9lation, ratio budg\u00e9taire, ratio d'\u00e9chantillonnage)<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\">Wu et al. (2022) \u2014 Processus neuronaux hi\u00e9rarchiques multi-fid\u00e9lit\u00e9<\/a> \u2014 Architecture MF-HNP pour la mod\u00e9lisation de substitution MF \u00e9volutive<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">wen (2026) \u2014 Surrogations multi-fid\u00e9lit\u00e9 pour la m\u00e9canique Composites<\/a> \u2014 Application r\u00e9cente de pointe sur les mat\u00e9riaux composites<\/li>\n<\/ul>\n<h2>Prochaines \u00e9tapes<\/h2>\n<p>Si vous \u00e9valuez des approches multi-fid\u00e9lit\u00e9 pour votre probl\u00e8me sp\u00e9cifique :<\/p>\n<ol>\n<li>\u00c9valuer la corr\u00e9lation entre les mod\u00e8les disponibles de faible fid\u00e9lit\u00e9 et de haute fid\u00e9lit\u00e9 (estimation R\u00b2 empiriquement)<\/li>\n<li>Estimer le rapport de co\u00fbts et le budget total de la simulation<\/li>\n<li>V\u00e9rifier les <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">conditions du TOAL<\/a> (corr\u00e9lation &gt; 0,9, fraction budg\u00e9taire 0,1-0,8)<\/li>\n<li>Si les conditions sont remplies, prototypez le co-krige de SMT pour les approches de processus gaussiennes ou l'apprentissage par transfert de DeepXDE pour les op\u00e9rateurs de neurones<\/li>\n<li>Valider contre les donn\u00e9es haute fid\u00e9lit\u00e9 de Resort avant de d\u00e9ployer<\/li>\n<\/ol>\n<p>Pour les praticiens travaillant avec des syst\u00e8mes d\u00e9pendant du temps, le r\u00e9f\u00e9rentiel Multifidelity_Pod fournit des didacticiels d'ordinateurs portables d\u00e9montrant des flux de travail multi-fid\u00e9lit\u00e9 d'ordre r\u00e9duit. Pour ceux qui explorent l'optimisation bay\u00e9sienne multi-fid\u00e9lit\u00e9, les travaux de suivi sur l'ego MF et les strat\u00e9gies d'\u00e9chantillonnage adaptatif s'appuient sur les fondements d\u00e9crits ici.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 18<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>D\u00e9couvrez comment les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 combinent des simulations bon march\u00e9 avec des corrections de ML pour une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt. Couvre la co-krige, les op\u00e9rateurs de neurones et la mise en \u0153uvre de Python.<\/p>\n","protected":false,"raw":"D\u00e9couvrez comment les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 combinent des simulations bon march\u00e9 avec des corrections de ML pour une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt. Couvre la co-krige, les op\u00e9rateurs de neurones et la mise en \u0153uvre de Python."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/?p=1050","iawp_total_views":1,"footnotes":""},"categories":[1],"tags":[5,6,4],"class_list":["post-1203","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-fipy","tag-lithium-ion","tag-simulation","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&#039;apprentissage automatique - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&#039;apprentissage automatique - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  18 minutesD\u00e9couvrez comment les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 combinent des simulations bon march\u00e9 avec des corrections de ML pour une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt. Couvre la co-krige, les op\u00e9rateurs de neurones et la mise en \u0153uvre de Python.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:28:56+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"31 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&rsquo;apprentissage automatique\",\"datePublished\":\"2026-08-21T14:28:56+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"},\"wordCount\":6012,\"commentCount\":0,\"keywords\":[\"FiPy\",\"lithium-ion\",\"simulation\"],\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/\",\"name\":\"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l'apprentissage automatique - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:28:56+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/multi-fidelity-surrogate-models-physics-ml\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&#8217;apprentissage automatique\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l'apprentissage automatique - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/","og_locale":"fr_FR","og_type":"article","og_title":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l'apprentissage automatique - matforge.org","og_description":"Reading Time:  18 minutesD\u00e9couvrez comment les mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 combinent des simulations bon march\u00e9 avec des corrections de ML pour une pr\u00e9cision \u00e9lev\u00e9e \u00e0 moindre co\u00fbt. Couvre la co-krige, les op\u00e9rateurs de neurones et la mise en \u0153uvre de Python.","og_url":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:28:56+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"steven","Dur\u00e9e de lecture estim\u00e9e":"31 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&rsquo;apprentissage automatique","datePublished":"2026-08-21T14:28:56+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/"},"wordCount":6012,"commentCount":0,"keywords":["FiPy","lithium-ion","simulation"],"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/","url":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/","name":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l'apprentissage automatique - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:28:56+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/multi-fidelity-surrogate-models-physics-ml\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"Mod\u00e8les de substituts multi-fid\u00e9lit\u00e9 : combiner la physique et l&#8217;apprentissage automatique"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1203","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1203"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1203\/revisions"}],"predecessor-version":[{"id":1387,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1203\/revisions\/1387"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1203"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1203"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1203"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}