Youssef Mesri

Professeur

Discipline(s): Énergie, thermique, Informatique, Mathématiques appliquées, Mécanique des fluides, Mécanique du solide

Mots-clés

Équipe

CFL - Calcul Intensif et Mécanique des Fluides

Biographie

**Youssef Mesri** est professeur à Mines Paris – PSL, au CEMEF. Ses recherches se situent à l’interface entre **méthodes numériques, calcul haute performance (HPC) et intelligence artificielle pour l’ingénierie**, avec des applications en simulation scientifique, notamment en mécanique des fluides et en science des matériaux.

Ses travaux portent sur le développement de **nouveaux algorithmes de calcul scientifique**, incluant des solveurs randomisés pour les systèmes linéaires de grande taille, des méthodes d’adaptation de maillages et des stratégies de calcul adaptées aux architectures parallèles et aux GPU. Il développe également des **logiciels scientifiques haute performance**, comme **SOFIA**, une bibliothèque d’adaptation de maillages conçue pour tirer parti des architectures GPU.

Dans le domaine de l’IA scientifique, il explore l’utilisation de l’apprentissage profond pour construire des modèles capables d’intégrer les **connaissances physiques et les structures mathématiques** des problèmes d’ingénierie. Il est notamment à l’origine des **Compositional Neural Operators (CompNO)**, une approche qui permet de construire des modèles complexes à partir de briques neuronales représentant différentes dynamiques physiques.

Plus largement, ses recherches s’inscrivent dans une réflexion sur les **fondements de l’IA pour l’ingénierie** : comment combiner modèles physiques, méthodes numériques, structures de données et puissance de calcul pour développer des méthodes plus **efficaces, composables et interprétables**. Cette approche vise notamment à rapprocher les avancées de l’IA des besoins concrets de la simulation et du calcul scientifique industriel.

Il dirige le programme **HPC-AI: High Performance Computing and Artificial Intelligence for Industry** de Mines Paris – PSL, consacré à la formation d’ingénieurs à l’intersection du calcul haute performance, de l’IA et des applications industrielles.

Publication(s)

2026
CompNO: A Novel Foundation Model Approach for Solving Partial Differential Equations DOI : 10.3390/app16020972
2026
SOFIA: A Python Library for High-Quality 2D Triangular Mesh Adaptation DOI : 10.21105/joss.09729
2026
InfinityEBSD : Metrics-guided infinite-size EBSD map generation with diffusion models DOI : 10.1016/j.actamat.2026.122240
2026
Compositional Neural Operators for Multi-Dimensional Fluid Dynamics DOI : 10.48550/arXiv.2605.11691
2025
A Framework for Analytical Performance and Energy Prediction of DL Training on GPUs DOI : 10.1109/SBAC-PAD66369.2025.00028
2025
Benchmark-Based Study of CPU/GPU Power-Related Features Through JAX and TensorFlow DOI : 10.1109/ACCESS.2025.3625414
2024
Graph Neural Networks for Mesh Generation and Adaptation in Structural and Fluid Mechanics DOI : 10.3390/math12182933
2024
Power Consumption in HPC-AI Systems DOI : 10.1007/978-3-031-78698-3_6
2024
Identification of vortex in unstructured mesh with graph neural networks DOI : 10.1016/j.compfluid.2023.106104
2024
A Flexible Operational Framework for Energy Profiling of Programs DOI : 10.1109/SBAC-PADW64858.2024.00014
2023
A graph neural network-based framework to identify flow phenomena on unstructured meshes DOI : 10.1063/5.0156975
2023
Power Consumption in HPC-AI Systems DOI : 10.1007/978-3-031-78698-3_6
2023
Energy concerns with hpc systems and applications DOI : 10.48550/arXiv.2309.08615
2022
Learning by neural networks under physical constraints for simulation in fluid mechanics DOI : 10.1016/j.compfluid.2022.105632
2022
High-performance 3D Unstructured Mesh Deformation Using Rank Structured Matrix Computations DOI : 10.1145/3512756
2020
A Variational Multi-Scale Anisotropic Mesh Adaptation Scheme for Aerothermal Problems DOI : 10.1007/978-3-030-30705-9_18
2020
A ‘R-to-H’ Mesh Adaptation Approach for Moving Immersed Complex Geometries Using Parallel Computers DOI : 10.1080/10618562.2020.1783441
2019
Conservative and adaptive level-set method for the simulation of two-fluid flows DOI : 10.1016/j.compfluid.2019.06.022
2019
A versatile immersed surface-to-surface method for radiation exchange: Implementation and validation DOI : 10.1016/j.ijheatmasstransfer.2019.01.051
2018
Adaptive stopping criterion for iterative linear solvers combined with anisotropic mesh adaptation, application to convection-dominated problems DOI : 10.1016/j.cma.2018.06.025
2018
Parallel and adaptive VMS finite elements formulation for aerothermal problems DOI : 10.1016/j.compfluid.2018.03.077
2018
Variational Multiscale error estimator for anisotropic adaptive fluid mechanic simulations: Application to convection–diffusion problems DOI : 10.1016/j.cma.2017.11.019
2018
Aerothermal impingement jet flow simulations using anisotropic multiscale mesh adaptation DOI : 10.2514/6.2018-2898
2018
Anisotropic adaptive stabilized finite element solver for RANS models DOI : 10.1002/fld.4475
2018
Interpolation with restrictions in an anisotropic adaptive finite element framework DOI : 10.1016/j.finel.2017.11.011
2018
Stabilized mixed finite element method for the M1 radiation model DOI : 10.1016/j.cma.2018.01.046
2017
Anisotropic boundary layer mesh generation for immersed complex geometries DOI : 10.1007/s00366-016-0469-7
2016
On optimal simplicial 3D meshes for minimizing the Hessian-based errors DOI : 10.1016/j.apnum.2016.07.007
2016
High fidelity anisotropic adaptive variational multiscale method for multiphase flows with surface tension DOI : 10.1016/j.cma.2016.04.014
2016
Adaptive variational multiscale method for bingham flows DOI : 10.1016/j.compfluid.2016.08.011
2016
Unified adaptive Variational MultiScale method for two phase compressible-incompressible flows DOI : 10.1016/j.cma.2016.05.022
2016
Unified formulation for modeling heat and fluid flow in complex real industrial equipment DOI : 10.1016/j.compfluid.2016.05.007
2015
Immersed methods and parallel anisotropic mesh adaptation to simplify the simulation setup using the cloud
2013
Parallel adaptive mesh refinement for capturing front displacements: Application to thermal EOR processes DOI : 10.2118/166058-ms
2012
Automatic coarsening of three dimensional anisotropic unstructured meshes for multigrid applications DOI : 10.1016/j.amc.2012.04.014
2011
Hierarchical adaptive multi-mesh partitioning algorithm on heterogeneous systems DOI : 10.1007/978-3-642-14438-7_32
2009
Advanced parallel computing in material forming with CIMLib DOI : 10.3166/ejcm.18.669-694
2008
Multimodel design strategies applied to sonic boom reduction DOI : 10.3166/REMN.17.245-269
2008
Dynamic parallel adaption for three dimensional unstructured meshes: Application to interface tracking DOI : 10.1007/978-3-540-87921-3_12
2008
Continuous mesh adaptation models for CFD

Enseignements

ATHENS - MP06 - Mécanique computationnelle non linéaire

Chargé d'enseignement

Modèles de base des matériaux : modélisation des matériaux, y compris la rhéologie, le critère de plasticité, la théorie incrémentale de la plasticité, l'écoulement plastique en 3D, les règles de base du durcissement. Procédures d'identification, problèmes inverses. Équations constitutives avancées : chargements cycliques et complexes, modèles d'endommagement, modèles pour les chargements thermomécaniques, mousses et systèmes cellulaires, hyperélasticité, matériaux polymères. Formulation par éléments finis : introduction élémentaire de la méthode pour les applications thermiques et mécaniques. Technique de Newton, assemblage d'éléments, matrice tangente. Intégration des équations constitutives, algorithmes implicites. Analyse géométrique non linéaire et de contact, méthodes de stabilisation. Problèmes de stabilité. Processus de localisation. Adaptation du maillage. Problèmes couplés (interactions thermiques-métallurgiques-mécaniques).

Ingénierie digitale des systèmes complexes (IDSC) option

Chargé d'enseignement

Au cours des dix dernières années, l’intelligence artificielle (IA) a profondément transformé le monde industriel en révolutionnant les méthodes de conception, d’optimisation et d’exploitation des systèmes. L’un des aspects les plus marquants de cette évolution réside dans la modélisation numérique des systèmes complexes. Traditionnellement fondée sur des méthodes à fort contenu physique ou multiphysique, elle bénéficie aujourd’hui des avancées en intelligence artificielle, notamment grâce aux algorithmes d’apprentissage automatique et de deep learning. L’option Ingénierie Digitale des Systèmes Complexes de Mines Paris vise à donner à ses étudiants des bases solides et multi-disciplinaires en IA, leur permettant de comprendre en profondeur ses applications et de les mettre en pratique sur des problématiques industrielles. Les disciplines étudiées dans l’option sont : le machine learning et ses applications dans le domaine de l’ingénierie la vision par ordinateur le calcul haute performance L’enseignement de l’option s’articule autour de trois semaines d’enseignements, complétées par deux semaines de Data challenge et une semaine de voyage d’option. Plus d'informations sont disponibles sur la page web de l'option : https://bruno-figliuzzi.github.io/Option/

Data, Optimisation & IA Générative (trimestre recherche)

Responsable

Simulation numérique en physique par la méthode des éléments finis

Direction(s) de thèse(s)

2026 Développement de méthodes adaptatives d'apprentissage par renforcement en environnement simulé multi-profils MARTIN AHUALLI Theodoro
2024 Génération de microstructures pilotée par l'IA à partir de données limitées LABADY Sterley
2024 Développement de modèles fondations pour la simulation des écoulements fluides. HMIDA Hamda
2022 intelligence artificielle haute-performance efficace en énergie : de la mesure et la modélisation à l'ordonnancement multi-objectifs NANA TCHAKOUTE Roblex
2021 Stratégies de résolution par algèbre linéaire probabiliste pour la simulation en mécanique des structures à précision maîtrisée. BADER Wael
2021 Amélioration de la confiance dans les résultats CFD par apprentissage profond WANG Lianfa
2017 Résolution optimale des solveurs itératifs avec maillage adaptatif anisotrope MANZINALI Gabriel
2016 Formulation éléments finis variationnelle adaptative et calcul massivement parallèle pour l’aérothermique industrielle. BAZILE Alban
2016 Méthodes numériques avancées pour la simulation des procédés de trempe industrielle BAHBAH Chahrazade
2014 Modélisation du rayonnement thermique en immersion de volume Quentin Schmid
2014 Génération et adaptation de maillage volume-couche limite dynamique pour les écoulements turbulents autour de géométries complexes Laure Billon