IA en local et calcul scientifique

Déployer un LLM open‑weight pour développer un solveur de Navier–Stokes

La montée en puissance des modèles de langage pose une question très concrète en recherche et en enseignement : comment bénéficier de ces outils tout en maîtrisant les coûts, la consommation énergétique, et la confidentialité. Dans ce séminaire, je présenterai une approche « IA en local » basée sur une station de travail compacte, la Lenovo PGX, disponible sur le marché Info‑Maths autour de 4000 € et affichant une consommation d’environ 120 W. Cette plateforme avec ses 128GB de mémoire unifiée permet d’exécuter un modèle de langage open‑weight jusqu’a 120 milliards de paramètres (e.g. GPT OSS 120B https://lmsys.org/blog/2025-10-13-nvidia-dgx-spark/), avec données et prompts conservés en local, latence réduite, et une enveloppe énergétique mieux cadrée. Je détaillerai ensuite, si le temps le permet, les étapes pratiques pour déployer et servir ce modèle afin d’en faire un assistant de code intégré au flux de développement. Enfin, nous utiliserons cet assistant comme outil de travail pour coder un solveur de Navier–Stokes sur maillage carré régulier : organisation du projet, discrétisation, conditions aux limites, tests numériques et itérations de mise au point. L’objectif est de montrer, sur un cas de calcul scientifique, comment une IA locale peut accélérer la production de code tout en s’inscrivant dans une démarche de sobriété énergétique et de maîtrise des données.