Actes de colloque

Modélisation, succès et limites

Affiche Modelisation

Les modèles, notamment les modèles mathématiques, ont envahi la pratique scientifique. Ils sont aussi des objets technologiques et sont même entrés dans la vie de tous les jours. Une économie en pleine expansion les concerne : des modèles sont vendus et des prestations payantes peuvent accompagner leurs utilisations. Un marché est en train de se développer.

Au-delà de la science, notre vie quotidienne est concernée par cette évolution, que ce soit pour la santé, pour les prévisions météorologiques, pour le suivi des fluctuations des marchés financiers, sans oublier les multiples contrôles de systèmes techniques, les réalisations architecturales, l’aménagement et la gestion des territoires. Et ce ne sont que des exemples.

Les mises en œuvre informatiques possibles ont multiplié les usages et les impacts des modèles. Cependant, les questions relatives aux incertitudes, à la formulation des problèmes et à l’interprétation des résultats, les limites pratiques et théoriques de leur utilisation, ainsi que les aspects qui concernent la programmation, la mise en œuvre et la validation de logiciels de modélisation et de simulation, doivent être abordés de façon pertinente et efficace. Enfin et au-delà des aspects opérationnels, le modèle est également un outil conceptuel, ainsi que de diffusion des connaissances, aussi bien dans la pratique scientifique que dans le développement technologique.

C’est sur la base de ce constat qu’un colloque a été organisé en commun par l'Académie des Technologies et le CNRS pour faire le point sur les développements récents, ainsi que sur les succès et les limites de la modélisation. Des exemples illustratifs ont été empruntés à divers secteurs scientifiques et technologiques : industrie, agriculture, santé, environnement, numérique, économie, mais aussi informatique, un domaine où la modélisation est efficace, non seulement pour la mise en œuvre de modèles mathématiques, mais aussi de formalisation (modèles multi-agents) ou pour ses besoins propres. Pour organiser les débats, quelques questions communes ont été identifiées et ont fait l’objet de trois sessions.

Session 1 : Modélisation et simulation, faut-il toujours plus de puissance de calcul ?

Cette interrogation est récurrente, mais l’accroissement des puissances de calcul permet-elle toujours d'améliorer les performances des modèles ? Peut-on raisonnablement penser que la croissance « indéfinie » est possible ? Dans certaines situations, ne serait-il pas aussi intéressant de revisiter le modèle, même si les moyens techniques sont disponibles ?

Session 2 : Modèles simples ou modèles complexes ? Simplification ou complexification ?

Le choix entre petits modèles et grands modèles, ou entre grands modèles simplifiés et grands modèles plus détaillés, est un problème récurrent, guidé par des raisons méthodologiques ou théoriques, et par des considérations pratiques. Il s’agit alors de comparer deux démarches : partir d’un petit modèle puis l’élargir et le complexifier tant que besoin, ou à l'inverse élaborer un modèle le plus exhaustif possible et le simplifier si nécessaire. Le choix d’une démarche est fortement lié à la confrontation avec les observations, avec l’expérience et avec les questions d’identification et de validation en fonction des objectifs de la modélisation. Outre les aspects opérationnels, on peut ajouter la capacité heuristique des modèles et leur rôle dans la conception de procédés nouveaux.

Session 3 : Rôle de la modélisation dans le dialogue entre la recherche académique et l’industrie

Cette méthodologie est largement partagée, mais quel est plus précisément son rôle dans chacun des deux secteurs et dans l’interaction entre les deux ? Quelles sont les industries qui sont les plus grandes utilisatrices ? Ont-elles été transformées par la modélisation ? Quel est le business des modèles ? Comment les chercheurs s’intègrent-ils dans le développement de modèles pour l’industrie et, plus généralement, pour le secteur productif ? Quelles sont les contraintes induites par la mise en œuvre de programmes informatiques de simulation et de modélisation ? Les logiciels et l'informatique ne sont-ils pas le moyen de transfert et de communication entre la recherche en modélisation, et l'industrie ?

Bien entendu, ce colloque n’épuise pas les nombreuses questions liées à la modélisation. Il faut d’ores et déjà envisager d'aller plus loin, par exemple en examinant et en confrontant les pratiques dans divers secteurs scientifiques. L’utilisation des modèles mérite encore une approche critique. Leur redoutable efficacité peut parfois conduire à des excès, par exemple s'ils sont utilisés comme arguments d’autorité dans le dialogue social. Quand le modèle représente un système technique, s’il n’est pas adapté, le rappel à l’ordre est rapide, le système en question ne fonctionne pas ou mal. Quand il s’agit de situations plus délicates, plus complexes, le diagnostic est plus difficile, d’autant plus que derrière peuvent se cacher des visions plus ou moins idéologiques qui sont alors implicitement imposées. C’est particulièrement le cas pour les systèmes sociaux, économiques et même écologiques. Enfin, dans certains cas ils peuvent favoriser les analogies rapides et des transferts audacieux, par exemple entre les sciences de la vie et les sciences sociales, ce qui n’exclut pas que des modèles identiques peuvent être pertinents dans chaque cas. Le terrain étant balisé, il s’agit alors d’utiliser cette méthodologie précieuse avec clairvoyance.

Télécharger les Actes du colloque Modélisation succès et limites. CNRS & Académie des technologies / Paris 6 décembre 2016

Contributions

Virginie Bonnaillie-Noël, Alain Dollet, Erol Gelenbe, Alain Pavé, Modélisation, succès et limites : Introduction

Franck Varenne, Histoire de la modélisation : quelques jalons

Session 1 : Modélisation et simulation, faut-il toujours plus de puissance de calcul ?

Serge Gratton, S. Gürol, E. Simon et Ph.L. Toint, Les algorithmes et la puissance de calcul dans les techniques de prévision pour les géosciences en grande dimension vus sous l’angle de l’optimisation mathématique

Frédéric Alexandre, L’approche systémique : simuler moins pour modéliser plus en neurosciences

Christophe Denis, Les défis scientifiques pour mener les simulations numériques de demain

Michaël Beuve, Du bon usage des ordinateurs et du cerveau des chercheurs

Session 2 : Modèles simples ou modèles complexes ? Simplification ou complexification ?

Hubert Charles, Modélisation : complexifier ou simplifier ? Quelques réflexions

Michel Loreau, Potentialités et écueils de la modélisation prédictive en écologie

Léna Sanders, Analyse spatiale de phénomènes sociaux : modèles simples versus complexes

François Képès, Modélisation pour la biologie de synthèse

Session 3 : Rôle de la modélisation dans le dialogue entre la recherche académique et l’industrie

Francesco Chinesta, Emmanuelle Abisset-Chavanne, Jose Vincente Aguado, Domenico Borzacchiello, Elena Lopez, Anais Barazinski, David Gonzalez, Elias Cueto, Chady Ghnatios, Jean-Louis Duval, Big Data, Machine learning, data-based models and data driven simulations, avaters and internet of things

Benjamin Rotenberg, Exemple du projet Cigéo (Centre industriel de stockage géologique)

Virginie Bonnaillie-Noël, Alain Dollet, Erol Gelenbe, Alain Pavé, Tables rondes et quelques conclusions