David RYCKELYNCK

Développe de l’apprentissage profond pour l’ingénierie scientifique, dans le domaine de la mécanique des matériaux. Il a réalisé des travaux novateurs sur les méthodes d’hyper-réduction dans le domaine des mathématiques appliquées et de la mécanique numérique. Cette méthode associe l’apprentissage automatique et la réduction d’ordre de modèle basée sur la projection d’équations dans des espaces latents. Les méthodes d’hyper-réduction peuvent être considérées comme une extension de l’apprentissage automatique non supervisé pour la réduction de dimension au domaine de la réduction d’ordre de modèle pour la solution d’équations aux dérivées partielles. Il a également réalisé des travaux novateurs sur la « réduction de modèle a priori ». Il a dirigé plus de 30 thèses de doctorat en mécanique numérique et une équipe de recherche composée de 12 chercheurs permanents à Mines Paris de 2011 à 2015. Depuis 2017, il est responsable d’un nouveau cours sur l’ingénierie numérique des systèmes complexes (science des données pour l’ingénierie scientifique) à Mines Paris - PSL. Dans ce cours, la priorité est donnée aux approches hybrides qui combinent l’apprentissage automatique et les méthodes de modélisation habituelles en ingénierie. Son principal sujet de recherche concerne à présent les jumeaux numériques alimentés par des images via l’apprentissage automatique. Il développe également de nouvelles méthodes d’augmentation des données pour les applications d’ingénierie.