IA et simulation : une alliance au service de la performance

Pour bien comprendre le rôle central de la simulation, prenons l’exemple d’un système de défense aérienne, dont le radar doit détecter et suivre des cibles venues du ciel afin de permettre leur interception. Comment s’assurer de son efficacité face à des menaces (missiles, drones, avions de chasse etc.) venant de n’importe quelle direction, à des vitesses différentes, avec des mécaniques de vol particulières ? La réponse intervient dès la conception du matériel : il est soumis à des simulations d’attaque aussi variées que possible, pour évaluer ses performances et identifier ses limites.

Mais multiplier les scénarios et reproduire les menaces de façon réaliste exige des moyens de calcul considérables. C’est notamment là que l’IA peut apporter un avantage décisif. « Dès la phase d’ingénierie on fait des choix d’architecture, donc on a besoin de simuler, pour avoir des garanties qu’on va tenir les performances prévues », explique Frédéric Barbaresco, senior expert du segment AI FOR SENSORS chez Thales et corédacteur du position paper IA et Simulation.

« À ce stade, l’IA va contribuer à rendre plus réalistes les scénarios d’attaques. Mais son rôle ne s’arrête pas à la simulation : elle peut également être mobilisée en conditions opérationnelles, notamment à travers des jumeaux numériques hybrides, afin d’aider l’opérateur à déterminer les modes de fonctionnement du radar les plus adaptés ». 

En effet, sur la base d’informations sur la menace avérée (cibles et environnement brouillage), le radar peut construire des stratégies de veille et des formes d’onde associées pour maximiser les performances. L’IA permet ainsi d’exploiter plus efficacement les nombreuses possibilités de réglage du senseur et de les traduire en un avantage opérationnel concret.

Des entraînements plus réalistes, des enseignements plus précis

Les améliorations ne se limitent pas à l’ingénierie et à la fabrication : l’IA permet également d’améliorer l’entraînement des personnels qui utiliseront les matériels. Dans un simulateur de cockpit, ou dans un exercice de commandement, la qualité de la préparation dépend du réalisme de la simulation. « Si vous faites un simulateur de char, vous allez faire des scénarios d'attaque, avec des chars ennemis intelligents », expose Frédéric Barbaresco. « On va mettre de l'intelligence artificielle dans l'attaquant, pour agir de façon plus réaliste, donc réduire le reality gap* de nos simulations. De plus, l'IA permet de faire des choses en temps réel qu'on ne savait pas faire avant, car elle utilise moins de puissance de calcul pour arriver au même résultat. »

^{(1) Le "reality gap" (ou fossé de la réalité) désigne l'écart entre une simulation et le monde réel.}

L’IA peut non seulement améliorer la qualité de l’entraînement, mais aussi le feedback qui en découle. C’est le cas dans le système GLADIATOR, conçu par Thales, qui permet aux forces armées de s’entraîner dans un environnement réel avec du matériel réel, mais avec des dispositifs de tir et des effets simulés. Les instructeurs ne peuvent pas traiter les énormes quantités de données générées par GLADIATOR pendant la formation des stagiaires. Thales a donc développé un outil de débriefing, optimisé par l’IA, capable d’analyser automatiquement ces données, d’identifier des indicateurs-clés pendant l’exercice : ainsi les instructeurs peuvent fournir un meilleur retour d’expérience aux stagiaires.

Cet avantage se retrouve dans le Combat Staff Trainer, un outil dédié à l’entraînement au commandement : dans ce cas, une intelligence artificielle dite « comportementale » anime toutes les unités (alliées, adverses ou neutres) qui ne sont pas directement pilotées par les participants, en reproduisant leurs comportements tactiques et leurs réactions aux événements. Elle peut même utiliser le langage pour échanger vocalement, ou par écrit, avec les utilisateurs.

La simulation, terrain d’apprentissage de l’IA

Comme le détaille le position paper IA et Simulation, si l’intelligence artificielle apporte un vrai bénéfice à la simulation, la réciproque est également vraie : les environnements simulés constituent un terrain d’apprentissage précieux pour les algorithmes, en particulier pour les techniques d’apprentissage par renforcement. Grâce aux données accumulées en simulation, les équipes de Thales peuvent, par exemple, apprendre à un drone à adopter les meilleures trajectoires pour intercepter un autre drone. L’algorithme explore plusieurs stratégies dans un environnement simulé ; des essais en vols permettent ensuite de vérifier que les capacités acquises se retrouvent bien en conditions réelles avec du vent, des turbulences et l’effet induit par les forces de trainées et de friction... Comme le résume Frédéric Barbaresco : « On essaie de rejouer en conditions réelles ce qu'on a simulé pour en vérifier la robustesse aux différents aléas ».

La simulation répond aussi à un autre besoin : disposer de suffisamment d’images pour entraîner les modèles de reconnaissance d’objets. Certains équipements militaires sont peu, voire pas imagés. Thales combine donc images réelles et synthétiques pour enrichir ses jeux de données. « Que cela concerne des frégates, des chars ou certains avions de transport, on manque parfois de données images », expose Jérôme Bernier, ingénieur chez Thales Alenia Space.

« Dans ce cas, on utilise la simulation pour compléter les jeux d’images qui serviront à l’entraînement des modèles d’IA. Sans la bonne donnée, on n’a pas les bons modèles ! » Un véhicule virtuel peut ainsi être inséré dans une image satellite, en respectant l’éclairage et les ombres de la scène. Les conditions météorologiques sur les zones d’intérêt peuvent également être prises en compte. L’enjeu : que ces images soient représentatives de ce que les capteurs observeront ensuite dans le monde réel.

Du prototype virtuel à l’aide à la décision

Les modèles d’IA sont en train de changer la donne dans le monde des jumeaux numériques, ces répliques virtuelles d’un objet, d’un process, voire d’un système tout entier : moteur, cockpit, radar, bâtiment… Synchronisé à sa contrepartie physique, le jumeau numérique est « nourri » en temps réel de nouvelles données. Il peut aider à la prise de décision ou anticiper des scénarios à risques. C’est le cas de TwinFire, réplique numérique du radar naval SF500. Dans son cas, l’intégration de l’IA permet à Thales une validation plus rapide du radar, une évaluation des performances lorsque les essais sont complexes ou coûteux à mettre en place, mais aussi la vérification des évolutions et les tests de non-régression.

Autre exemple parlant, qui montre les avancées immenses permises par l’IA : dans le cadre du programme DesCartes, mené avec le CNRS à Singapour, Thales utilise des outils sur la simulation des vents en milieu urbain pour sécuriser les trajectoires des drones. Ici, le jumeau numérique hybride est… un quartier tout entier. 

À partir d’une représentation numérique des bâtiments, des simulations physiques servent à entraîner un modèle d’IA. Celui-ci peut ensuite estimer en temps réel les turbulences entre les immeubles, afin d’établir des « no-fly zones » et d’adapter les trajectoires des drones pour maximiser leur autonomie (en utilisant les vents favorables).

La confiance se joue dans le passage au réel

Tous les exemples ci-dessus posent la même question, décisive pour les industriels de la défense et leurs clients : une intelligence artificielle performante en simulation le sera-t-elle en conditions réelles ? Pour être en mesure de répondre par l’affirmative, Thales s’appuie sur sa grande expérience des systèmes critiques, et sur son expertise dans l’intégration de l’IA dans les équipements. La simulation, dont l’efficacité est décuplée par l’intelligence artificielle, devient un outil essentiel pour explorer les scénarios possibles, éprouver les limites des matériels militaires, et mieux les préparer aux réalités du terrain.