Optimisation

Moteurs d'optimisation, paramètres et contrôles de résultats disponibles dans SPARC.

Principe de l'Optimisation Bayésienne

L'optimiseur explore un espace de paramètres physiques et évalue chaque essai avec le même chemin de simulation que les configurations unitaires.

Stratégie d'exploration

Trials 1–20   →  Exploration initiale aléatoire
Trials 21+    →  Exploitation Bayésienne
                 (propose les zones les plus prometteuses)

Les valeurs optimales ne sont pas une validation scientifique. Elles doivent être relues avec les diagnostics de validité, les bornes physiques et les résultats de référence disponibles.

Moteurs d'Optimisation Disponibles

Moteur	Algorithme	Usage recommandé
Optuna TPE	Tree-structured Parzen Estimator	Défaut · tout usage
Optuna GP	Gaussian Process Sampler	< 10 paramètres
BoTorch GP	qLogExpectedImprovement	Études coûteuses avec peu de paramètres
CMA-ES	Evolution Strategy	Espaces larges continus
Random	Échantillonnage uniforme	Baseline

Via l'Interface Web

Aller sur http://localhost:5000/optimize
Choisir le type de simulation et le moteur
Définir les paramètres avec leurs bornes
Cliquer Lancer l'optimisation
Suivre la progression en temps réel
Analyser : convergence, importance, heatmap, Top 10

Via le CLI Interactif

Terminal

python -m cli_interactif
# Touche 'o' → Nouvelle optimisation → Suivre l'assistant

Assistant CLI en 6 étapes

Type de simulation de base
Moteur (Optuna TPE / GP / BoTorch)
Objectifs (sélection multiple)
Nombre d'essais
Plages de paramètres (assistant interactif)
Nom de l'optimisation

Via l'API REST

Créer un job d'optimisation

cURL

curl -X POST http://localhost:5000/api/optimize/create \
  -H "Content-Type: application/json" \
  -d '{
    "name": "opt_si",
    "sim_type": "homojunction",
    "engine": "optuna",
    "sampler": "tpe",
    "n_trials": 200,
    "objectives": ["efficiency"],
    "param_ranges": [
      {"name": "doping.n_region", "type": "log_float", "low": 1e15, "high": 1e18},
      {"name": "doping.p_region", "type": "log_float", "low": 1e14, "high": 1e17},
      {"name": "geometry.thickness_n", "type": "log_float", "low": 1e-5, "high": 5e-4},
      {"name": "geometry.thickness_p", "type": "log_float", "low": 5e-5, "high": 2e-3}
    ]
  }'
# → {"success": true, "opt_id": "abc123de"}

Lancer l'optimisation

cURL

curl -X POST http://localhost:5000/api/optimize/abc123de/run

Suivre la progression (SSE)

cURL

curl http://localhost:5000/api/optimize/abc123de/progress

Récupérer les résultats

cURL

curl http://localhost:5000/api/optimize/abc123de/results

Télécharger le rapport PDF

cURL

curl http://localhost:5000/api/optimize/abc123de/pdf -o rapport.pdf

Format param_ranges

Exemple de paramètre

{
  "name":  "doping.n_region",
  "type":  "log_float",
  "low":   1e15,
  "high":  1e18,
  "label": "Dopage N (cm-3)"
}

`type`	Espace d'exploration
`float`	Continu linéaire
`log_float`	Continu log-scale (dopage, τ, μ)
`int`	Entier linéaire
`log_int`	Entier log-scale
`categorical`	Valeurs discrètes (`"choices": [...]`)

Notation pointée : La notation pointée mappe sur la structure de la config Sesame :
doping.n_region → config["doping"]["n_region"]

Analyse de Sensibilité Sobol

L'analyse de sensibilité Sobol permet de déterminer quels paramètres ont le plus d'impact sur les objectifs.

cURL

curl -X POST http://localhost:5000/api/optimize/abc123de/sensitivity \
  -H "Content-Type: application/json" \
  -d '{"n_samples": 64}'

Retourne les indices :

S1 : effet de premier ordre (effet direct)
ST : effet total (incluant les interactions)
S2 : effets d'interaction entre paires de paramètres

Surrogate Model

Le surrogate est un modèle ML (Random Forest par défaut) entraîné sur les résultats d'optimisation. Il permet des prédictions instantanées sans relancer Sesame.

Prédiction

cURL

curl -X POST http://localhost:5000/api/optimize/abc123de/predict \
  -H "Content-Type: application/json" \
  -d '{
    "doping.n_region": 2.5e16,
    "doping.p_region": 1e15,
    "geometry.thickness_n": 1e-4,
    "geometry.thickness_p": 3e-4
  }'
# → {"predicted_value": 18.7, "uncertainty": 0.4, "confidence_95": [17.9, 19.5]}

Performance : Prédiction en ~1 ms au lieu de ~5 s (Sesame)

Analyse du Surrogate (CLI)

Le menu Analyse du surrogate dans le CLI (o → Analyse du surrogate) offre :

Option	Description
Scan 1D	Variation d'un paramètre · courbe ASCII en temps réel
Inverse prediction	Trouve les paramètres atteignant une cible η donnée
Sauvegarder	Exporte le modèle entraîné (`.pkl`, fallback `~/.sparc/surrogates/`)
Charger	Recharge un surrogate précédemment entraîné

Note : Le modèle surrogate nécessite au minimum 2 trials pour l'entraînement.
Les modèles disponibles sont : rf (Random Forest), gbm (Gradient Boosting), gp (Gaussian Process).

Résultats d'Optimisation

À la fin d'une optimisation, vous obtenez :

Meilleurs paramètres avec valeur d'efficacité
Courbe de convergence — évolution du meilleur η
Importance des paramètres — bar chart
Heatmap de corrélation — paramètre × objectif
Top 10 essais — tableau trié
Rapport PDF téléchargeable
Surrogate model entraîné pour prédiction rapide

Historique d'optimisation — Fig 1. Courbe de convergence typique (Recherche TPE / BoTorch)

Optimisation Multi-Objectif

SPARC supporte l'optimisation multi-objectif pour maximiser simultanément plusieurs métriques, conduisant à la recherche d'un front de Pareto optimal :

Efficacité (η)
Tension de circuit ouvert (Voc)
Courant de court-circuit (Jsc)
Facteur de remplissage (FF)

Front de Pareto — Fig 2. Visualisation du front de Pareto (compromis Efficacité vs Coût)

Exemple multi-objectif

"objectives": ["efficiency", "voc", "ff"]

Bonnes Pratiques

Nombre de trials : 200-500 pour une exploration complète, 1000+ pour haute précision
Choix du moteur : Optuna TPE pour la plupart des cas, BoTorch pour haute précision
Bornes de paramètres : Utilisez log_float pour les paramètres avec plusieurs ordres de grandeur
Validation : Vérifiez toujours les meilleurs paramètres avec une simulation indépendante
Surrogate : Utilisez le surrogate pour explorer rapidement l'espace avant de valider avec Sesame