Nous présentons une implémentation d'un modèle de substitution d'apprentissage profond pour prédire les contributions thermodynamiques (potentiels chimiques, mobilités) impliquées dans la résolution d'un problème d'inter-diffusion. Cette approche vise à accélérer les simulations, en tirant parti de la puissance des réseaux de neurones profonds. Le modèle de substitution est conçu pour reproduire le comportement du code de calcul d'équilibre thermodynamique, ici OpenCalphad, dans le cas simplifié d'un problème d'inter-diffusion pour un système ternaire.
Les modèles d'apprentissage profond ont montré des performances remarquables sur notre cas d'étude sur nos données d'entraînement et de tests. Toutefois, il est nécessaire d'apporter des garanties sur l'erreur potentiellement commise par notre modèle. Nous abordons ainsi un aspect important dans l'utilisation des réseaux de neurones comme modèle de substitution et de leur fiabilité : les incertitudes. Nous présentons ainsi une méthode novatrice fondée sur l'étude du comportement des couches cachées des réseaux de neurones et visant à gérer efficacement l'incertitude dans l'apprentissage profond.