intelligence artificielle haute-performance efficace en énergie : de la mesure et la modélisation à l'ordonnancement multi-objectifs

La convergence du calcul haute performance (HPC) et de l'intelligence artificielle (IA) est marquée par une demande en puissance de calcul sans précédent, portée par la croissance fulgurante des modèles d'apprentissage profond (Deep Learning, DL). Toutefois, le déclin des paradigmes classiques de passage à l'échelle, tels que la loi de Moore ou ou celle de Dennard, a déplacé le défi de la conception des systèmes de nouvelle génération : il ne s'agit plus seulement d'atteindre des performances maximales, mais également de garantir une efficacité énergétique accrue. En effet, la consommation électrique massive des infrastructures hétérogènes modernes constitue désormais une contrainte majeure, imposant une transition vers des approches de calcul plus durables.Les approches actuelles présentent encore des limites, notamment le manque d'outils permettant une mesure fine et détaillée de l'énergie des systèmes. Pour faire face à celà, cette thèse propose un cadre méthodologique intégré, couvrant l'ensemble de la chaîne — analyse, modélisation et optimisation — afin d'améliorer l'efficacité énergétique des applications en IA. Notre démarche repose sur un cycle vertueux articulé autour de quatre étapes : « Mesurer, Comprendre, Modéliser et Optimiser », pour lesquelles nous avons conçu un ensemble cohérent d'outils et de stratégies innovantes.Afin de permettre une analyse empirique robuste, nous introduisons d'abord un outil flexible et multiplateforme permettant un profilage énergétique fin. Ensuite, pour passer de la simple observation à la prédiction, nous développons un cadre analytique complet pour modéliser la performance et la consommation énergétique de l'entraînement de modèles de DL. Enfin, afin de transformer les prédictions en leviers concrets d'optimisation, nous proposons une méthodologie systématique de co-conception de planificateurs de tâches conscients des contraintes énergétiques.En somme, cette thèse met à disposition un ensemble d'outils ainsi qu'une méthodologie structurée qui permettent de faire passer l'optimisation énergétique, d'une démarche ponctuelle et empirique à un processus systématique. Nous espérons ainsi contribuer à franchir une étape significative vers la conception et l'exploitation d'infrastructures d'IA plus intelligentes, plus efficaces et plus durables.