Protocole guidé par des jumeaux numériques pour la prédiction et l’atténuation des risques de la chaîne d’approvisionnement avec des modèles de séquences neuronales et de graphes

Résumé

Ce protocole détaille un flux de travail reproductible en jumeau numérique intégrant l’ingestion de données, la prédiction des risques basée sur la séquence et le graphe, la simulation de propagation et l’optimisation des politiques. Il précise les versions logicielles, les paramètres, les points de contrôle et les étapes de dépannage pour permettre une réplication fidèle dans les environnements industriels.

Résumé

Les chaînes d’approvisionnement nécessitent une prédiction et une atténuation des risques en temps réel sous forte incertitude et interdépendance du réseau. Ce protocole décrit un flux de travail reproductible en jumeau numérique (DT) qui relie l’ingestion de données, la prévision des risques spatiotemporels, la simulation de propagation des risques et l’optimisation des politiques d’atténuation dans une seule pile conteneurisée. Pour la prédiction, nous intégrons un modèle interprétable de séquence et de graphe qui combine un Bi-LSTM avec une convolution de graphe pour capturer la dynamique temporelle et les dépendances réseau. Pour l’atténuation, l’optimisation des politiques proximales (PPO) apprend des politiques décisionnelles exploitables à partir de perturbations simulées, permettant des réponses sensibles aux coûts plutôt qu’un diagnostic a posteriori. Pour soutenir le déploiement et la réplication, nous fournissons une taxonomie hiérarchique clé-indicateur de risque qui sépare les risques endogènes et exogènes, ainsi que des environnements épinglés par version, des contrats de données et des points de contrôle de validation. Les résultats représentatifs démontrent à la fois des gains prédictifs et au niveau décisionnel. Sur un réseau automobile de 300 nœuds, l’approche améliore la F1 de 19,3 % et prolonge l’horizon d’alerte précoce de 5,2 heures. Dans une rediffusion de la congestion portuaire américaine en 2021, le PPO réduit les retards et les coûts d’intervention d’urgence de plus de 20 %. Le flux de travail s’étend à des simulations de 500 nœuds avec une latence de niveau milliseconde tout en maintenant des performances stables sur le long horizon. La double validation avec relecture d’événements historiques et simulation en ligne confirme une meilleure précision, une qualité de décision robuste et une évolutivité pratique. Les limitations et les lignes directrices d’adaptation sont discutées afin de faciliter le transfert vers de nouveaux contextes de chaîne d’approvisionnement.

Introduction

Les réseaux d’approvisionnement mondiaux sont en constante incertitude, où les perturbations locales peuvent se propager à tous les niveaux de fournisseurs et voies de transport, déclenchant des ralentissements à l’échelle du système. Dans de nombreuses organisations, la surveillance des risques repose encore sur des rapports rétrospectifs ou des audits périodiques, utiles pour documenter les incidents et la conformité mais moins efficaces pour les flux opérationnels en évolution rapide. Lorsque les données évoluent minute après minute, les décideurs ont besoin d’un flux de travail qui favorise la compréhension continue, la prédiction à court terme et l’intervention rapide, plutôt que le diagnostic^{post hoc 1}.

Les outils traditionnels tels que les registres de risque et les modèles d’alerte précoce basés sur les statistiques restent précieux pour la normalisation et le suivi de haut niveau, mais ils abstraient généralement les interactions dynamiques entre les installations, les inventaires, les capacités et les flux. Le flux de travail basé sur le jumeau numérique décrit ici complète ces approches en maintenant une synchronisation continue de l’état et en permettant une évaluation basée sur des scénarios, afin que les perturbations et actions d’atténuation et les mesures de mitigation puissent être testées avant qu’elles n’atteignent le sol d’atelier ou le chantier. En pratique, le jumeau sert de représentation cyber-physique qui reflète les états opérationnels clés et les contraintes, fournissant une base exploitable pour une atténuation proactive plutôt qu’un reporting^{rétrospectif 2}.

Des recherches récentes sur la chaîne d’approvisionnement ont mis en lumière une vulnérabilité croissante aux perturbations causées par la mondialisation des réseaux de fournisseurs, les fluctuations de la demande, l’instabilité géopolitique et les événements climatiques. Les approches traditionnelles de gestion des risques reposent fortement sur des rapports rétrospectifs et des évaluations statiques, qui ne parviennent pas à saisir les conditions opérationnelles en évolution rapide ni les interdépendances complexes au sein des réseaux multi-niveaux. Le déploiement pratique repose sur deux exigences. Le risque doit être quantifié à l’aide d’indicateurs comparables entre plantes et régions ; sinon, les seuils dérivent, les alarmes deviennent arbitraires, et le jumeau doit atteindre des objectifs explicites de latence et de fidélité afin que les états simulés suivent la réalité opérationnelle suffisamment fidèlement pour soutenir les décisions^{de contrôle 3,4}. S’appuyant sur ces exigences, ce protocole décrit un flux de travail reproductible qui relie les contrats de données aux politiques décisionnelles au sein d’un système continu. Les signaux temporels sont résumés avec une mémoire bidirectionnelle à court terme long, la structure du réseau est encodée par la convolution du graphe, et la visualisation par poids d’attention est utilisée pour rendre l’étape de modélisation interprétable par les opérateurs et ^auditeurs 5,6,7,8. Bien que les modèles basés sur les données et les premières applications de jumeaux numériques aient amélioré la conscience situationnelle, ils restent souvent fragmentés, dépourvus de mécanismes unifiés pour la perception en temps réel, la prédiction spatiotemporelle et le soutien décisionnel exploitable. Ces lacunes soulignent la nécessité d’un protocole intégré combinant des environnements numériques de haute fidélité avec des modèles avancés d’apprentissage de séquences et de graphes afin de permettre une surveillance des risques rapide, interprétable et évolutive dans les systèmes industriels dynamiques. Les stratégies d’atténuation sont obtenues grâce à l’optimisation des politiques proximales entraînée contre le jumeau, ce qui permet d’ajuster les compromis entre niveau de service, délai et coût sans affecter les opérations en temps^{réel 9,10}.

Cette recherche concerne les réseaux d’alimentation moyens à grands (100 à 500 nœuds) avec des volumes de données en flux de 1 à 5 millions d’enregistrements par jour et une qualité de données modérée (≥85 % de complétude, ≤5 % de manquants après prétraitement). Le déploiement en temps réel nécessite une latence de bout en bout soutenue inférieure à 100 ms et une synchronisation stable (dérive <0,5 %) et peut être limité aux environnements à faible bande passante ou non conteneurisés.

Protocole

Nous confirmons que cette étude utilise des dossiers d’entreprise et de logistique non identifiés, ainsi que des scénarios de perturbation synthétique, sans implication humaine ou animale. L’accès aux journaux opérationnels bruts a été accordé par écrit par les organisations propriétaires de données et approuvé par le comité de gouvernance des données institutionnelles avant l’extraction des données. L’accès aux données était géré via un contrôle d’accès basé sur les rôles ; Tous les événements d’accès étaient enregistrés ; et les traces d’audit seront conservées pendant ≥3 ans après publication. Lors du signalement des cas de perturbation, nous généralisons ou masquons les attributs d’identification des entreprises (par exemple, noms d’installations, identifiants clients, identifiants de contrats et géolocalisation exacte) afin de réduire le risque de réidentification. Des copies des autorisations d’utilisation des données et des lettres de consentement/autorisation peuvent être fournies à la revue sur demande et seront incluses comme documentation complémentaire pour la revue éditoriale.

1. Concept, architecture et standards de jumeau numérique

1. Définir le jumeau numérique selon le modèle de miroir d’information de Grieves, et spécifier une pile à cinq couches (physique, virtuelle, données, connexion, application) avec des responsabilités et interfaces claires dans les couches, comme souligné dans les premiers travaux de Grieves et les normes ISO 23247. Les documents de conception système et les schémas ISO-23247 sont utilisés comme entrées principales, les définitions de couches étant normalisées en une abstraction à cinq couches pour une cartographie architecturale^{cohérente 2,11}.
2. Illustrez l’architecture de bout en bout dans la Figure 1 ; déclarer les identifiants globaux (assetID, modelID, runID), la base temporelle canonique (UTC) et le schéma de nommage pour les ensembles de données et les expériences. Standardisez les métadonnées d’actifs, les registres de modèles et les journaux d’expérimentation en formats d’ID unifiés (assetID/modelID/runID) et hodabillez dans UTC avant l’intégration architecturale.
3. Adoptez des normes ouvertes pour l’interopérabilité : utilisez OPC UA/IEC 62541 et MQTT v5 pour l’échange champ-à-plateforme, REST/GraphQL pour les API de service, et FMI/AutomationML pour l’échange de modèles et la description topologique. Notez les éventuelles lacunes de schéma inter-domaines et fournissez aux adaptateurs des notes de fidélité explicites. Les flux de champ OPC UA/MQTT et les fichiers modèles AutomationML/FMI sont analysés, validés et convertis via des adaptateurs de schéma afin de maintenir l’interopérabilité entre les plateformes^{2, 12, 13, 14}.
4. Synchroniser tous les nœuds avec IEEE 1588 PTP, imposer une latence de bout en bout inférieure à 100 ms pour une utilisation en boucle fermée, et documenter des limites d’acceptation pour la gigue et la dérive d’horloge. Validation des enregistrements et vérifications aller-retour de l’adaptateur dans le tableau 1. Des journaux de synchronisation d’horloge, des traces réseau et des échantillons de latence aller-retour sont collectés et nettoyés pour vérifier les contraintes de synchronisation sous 100 ms et la précision de synchronisation^{PTP de 15}.
5. Point de pause : Après les étapes 1.1–1.4, faites une pause pour confirmer les allers-retours du schéma (exportation, importation et validation) et la conformité à la latence avant de poursuivre.
   Validez les allers-retours du schéma : confirmez que les journaux d’exportation/importation/validation ne montrent aucune erreur.
   Indicateurs de latence : bout à bout <100 ms ; le jitter <5 ms ; Dérive d’horloge <1 ms/min.
   Instantané du tableau de bord : assurez-vous que le Tableau 1 est rempli avec les temps aller-retour de l’adaptateur et les erreurs de synchronisation.

2. Technologies analytiques pour la perception et la prédiction des risques

1. Entraîner des modèles prédictifs sur des journaux historiques multi-sources (ordres, télémétrie, événements) afin d’établir la capacité d’alerte précoce ; corriger les graines aléatoires et enregistrer les divisions de données pour en assurer la reproductibilité. Standardisez les variables numériques, appliquez un encodage one-hot aux caractéristiques catégorielles, et construisez des séquences à l’aide de fenêtres coulissantes (par exemple, 12 à 24 pas de temps).
2. Divisez les données en 70 % d’entraînement, 15 % de validation et 15 % de tests. Utilisez un Bi-LSTM avec 2 couches (128–256 unités), un dropout 0,2–0,3, et un optimiseur Adam (LR = 1e-3). Consignez toutes les graines aléatoires pour garantir leur reproductibilité. Nettoyez les journaux d’ordre historique, la télémétrie et les flux d’événements, standardisez, encodez et convertissez ces données en séquences à fenêtre glissante pour l’entraînement Bi-LSTM.
3. Appliquer des méthodes de détection d’anomalies non supervisée (par exemple, forêt d’isolation, covariance robuste, autoencodeurs) lorsque les données indiquées sont limitées et calibrer les seuils en utilisant des compromis précision-rappel. Normaliser les entrées avec un scaling Min-Max, puis entraîner des forêts d’isolation avec 100 à 200 arbres ou des autoencodeurs avec 3 à 5 couches cachées. Ajustez les seuils en optimisant la courbe RP et évaluez en utilisant des distributions d’erreur de reconstruction ou de score d’anomalie. Normaliser les journaux opérationnels non étiquetés (Min-Max) et les transformer en caractéristiques de score d’anomalie pour l’entraînement forestier ou autoencodeur d’isolation et l’étalonnage des seuils^16,17.
4. Intégrer des modèles basés sur des séquences et des graphes (par exemple, Bi-LSTM avec attention et GCN) pour capturer les schémas temporels et les dépendances spatiales à travers les réseaux fournisseur-transport. Créer des matrices d’adjacence à partir de liaisons fournisseur–transport et normaliser avec une échelle symétrique des degrés. Le modèle hybride combine des sorties Bi-LSTM avec 1 à 2 couches GCN (taille cachée 64–128) et une tête de classification entièrement connectée. Entraînez-vous pour 30 à 50 époques, avec des arrêts anticipés basés sur la validation F1^18,19.
   REMARQUE : L’étape de convolution du graphe dans le modèle proposé met à jour les représentations des nœuds en utilisant la règle d’agrégation normalisée présentée dans l’équation (1), permettant à chaque nœud d’incorporer des informations provenant de ses voisins tout en préservant l’équilibre structurel. Cette formulation assure une propagation stable des caractéristiques à travers le réseau de la chaîne d’approvisionnement et fournit la base pour capturer les dépendances spatiales au sein de l’architecture du jumeau numérique.
      (1)
    est la matrice d’adjacence avec des auto-boucles ajoutées. fait référence à la matrice des degrés de . H^(l)  est la matrice de caractéristiques du nœud à la couche l. W^(l) est la matrice de poids entraînable et σ(•) est la fonction d’activation de ReLU. Les tables du réseau fournisseur–transport sont converties en matrices d’adjacence et normalisées avec une échelle symétrique des degrés avant d’être intégrées dans le modèle hybride séquence–graphe.
5. Utilisez le traitement du langage naturel pour extraire les signaux de politique et de marché des actualités et des bulletins, et appliquez la vision par ordinateur pour détecter les perturbations des ports lors de la surveillance des flux avec un masquage de confidentialité. Pour extraire des embeddings de phrases à partir de bulletins de politique ou de marché, utilisez un transformateur pré-entraîné (par exemple, base BERT), puis appliquez des CNN légers ou MobileNet pour l’analyse des images port-feed après flou de confidentialité. Avant la fusion, normaliser tous les plongements externes^{modals 20}.
6. Construire un graphe de connaissances des fournisseurs, voies, installations et contrats pour permettre des requêtes causales et la recherche des causes profondes ; exportez les instantanés pour la Figure 2. Créer des nœuds à partir des fournisseurs, produits, itinéraires et installations, puis construire des arêtes avec des liens contractuels et des flux logistiques. Utilisez le format RDF ou graphe de propriétés, des règles de résolution d’entités et la validation des graphes pour détecter les composants²¹ non connectés.
7. Clarification des stratégies de recherche et construction de mots-clés
   1. Affinez la méthode de recherche pour présenter clairement la structure et la logique des termes de requête. Regrouper les termes de recherche par concept et combiner en utilisant des opérateurs booléens pour garantir une recherche systématique et reproductible. Par exemple, la chaîne de requête complète utilisée était :
      (« risque de chaîne d’approvisionnement » OU « perturbation de l’approvisionnement ») ET (« jumeau numérique » OU « simulation ») ET (« prédiction » OU « alerte précoce »).
      L’affichage de la syntaxe de recherche sous forme structurée clarifie la séquence d’exécution et réduit l’ambiguïté. Séparer les mots-clés technologiques, de domaine et fonctionnels démontre la transparence et aide les évaluateurs à vérifier le processus de recherche.
   2. Dépannage : Lorsqu’il y a trop d’alertes, augmentez les fenêtres d’agrégation, introduisez l’hystérésis ou élevez les seuils d’anomalie en utilisant des statistiques robustes. Si les modèles dérivent ou deviennent instables, re-formez selon un calendrier fixe et maintenez des journaux de backtesting pour documenter les changements de performance.

3. Classification des risques et système d’indicateurs clés

1. Classer les risques en endogènes (propagation linéaire au sein du réseau d’entreprise) et exogènes (chocs multi-nœuds provenant de sources externes). Fournir des exemples et des règles de cartographie^22,23.
2. Mettre en place un système d’indicateur clé de risque (KRI) à plusieurs niveaux couvrant la stabilité des fournisseurs, les opérations de production, la performance logistique et l’intégration de l’information ; définir chaque KRI, sa source de données, et mettre à jour la cadence. Filtrer les ensembles de données fournisseurs, opérations, logistique et intégration ; les agréger et les aligner pour générer des valeurs KRI en paliers avec des fréquences de mise à jour définies.
3. Présenter les définitions, formules et seuils d’alerte du KRI dans le tableau 2 ; Documentez les critères d’acceptation et les manuels d’escalade²⁴.
   1. Contrôle qualité : Authentifier le système KRI en exigeant une concordance minimale de 0,7 entre les alertes générées et les journaux historiques d’incidents. Libérez le seuil KRI seulement après avoir réussi le test de concordance. Pour obtenir une validité empirique, testez en rétro-test le système KRI multi-niveaux par rapport aux journaux d’incidents historiques en utilisant des tests de concordance.
   2. Fixation de seuils et rétrotests : Définir des seuils d’alerte pour chaque indicateur (par exemple, alerte de niveau 1 : exécution de la livraison <95 % ; Alerte niveau 2 : livraison <85 % ; fluctuation de la demande >5 %) et les retester à partir de 18 mois d’historique opérationnel et de registres de perturbations horodatés. Définissez la concordance comme la proportion d’alertes KRI correspondant à l’occurrence réelle de l’incident dans une fenêtre de ±12 heures. Confirmez que la moyenne de la concordance respecte le critère de libération (≥0.7) avant utilisation opérationnelle.
   3. Maintien des seuils : Lors des déploiements ultérieurs, modifiez les seuils par des retests périodiques et des retro-tests, ou ajustez la fenêtre de test en fonction des tendances saisonnières et de la fréquence des anomalies.
4. Performance seuil KRI en capture d’incident véritable vs. fausses alertes
   1. Testez chaque seuil de KRI dans le tableau des indicateurs de type de risque et testez en arrière sur 18 mois de journaux historiques d’incidents afin de déterminer l’utilité opérationnelle. Pour chaque indicateur, calculez le taux réel de capture d’incidents (rappel), défini comme le pourcentage d’événements de perturbation réels identifiés avant ou au moment de l’occurrence. Calculez le taux de fausse alerte, défini comme la proportion d’alertes pour lesquelles aucune perturbation ne survient dans une fenêtre de ±12 heures. Utilisez ces indicateurs pour quantifier le compromis entre sensibilité et bruit opérationnel en alerte précoce (Tableau 3).
5. Évaluation basée sur des scénarios du modèle spatiotemporel proposé
   1. Évaluer la précision de la prédiction, la fiabilité de l’étalonnage et l’efficacité computationnelle du modèle proposé de fusion spatiotemporelle Bi-LSTM + Attention + GCN en utilisant trois scénarios de perturbation représentatifs : risque de panne d’équipement, risque de perturbation géopolitique et défaillance en cascade de réseau multi-nœuds. Utilisez l’erreur absolue moyenne (MAE), le score de Brier et le temps de calcul du cycle de décision comme métriques d’évaluation (Tableau 4).

4. Modèles de quantification

1. Appliquer des modèles basés sur la probabilité (par exemple, Monte Carlo) pour estimer la vraisemblance de l’événement et la perte espérée ; Signalez les diagnostics de convergence et les intervalles de confiance. Échantillonnez les probabilités de perturbation à partir de distributions empiriques ou de modèles paramétriques ajustés. Exécutez 5 000 à 10 000 itérations, calculez la perte estimée par nœud, et rapportez des intervalles de confiance à 95^{% 25}.
2. Transformer les jugements d’experts en scores quantitatifs à l’aide de la logique floue (par exemple, flou AHP/FIS) ; Calibrez les fonctions d’adhésion à partir des résultats historiques. Développer des matrices de comparaison par paires en utilisant des entrées d’experts, traduire les concepts linguistiques en nombres flous triangulaires, et calculer les poids agrégés à l’aide de moyens géométriques. Défuzzifier en utilisant la méthode du centroïde pour obtenir des scores de risque^{clairs 26}.
3. Utiliser l’analyse réseau pour cartographier les chemins de propagation et identifier les nœuds vulnérables via les seuils de centralité et de percolation ; Des jeux de coupes candidates à l’exportation. Filtrer les ensembles de données fournisseurs, opérations, logistique et intégration ; les agréger et les aligner pour générer des valeurs KRI en paliers avec des fréquences de mise à jour définies.
4. Calculer les métriques de centralité des nœuds (degré, intermédiaire, vecteur propre) et simuler la propagation à l’aide de modèles seuils ou de type SIR avec des probabilités de transmission configurables (par exemple, 0,1–0,3). Identifier les nœuds clés en priorisant l’influence propagée sur 500 à 1 000 simulations^{27, 28}.
5. Comparez les modèles de probabilité, flou et réseau dans le tableau 5 ; Sélectionnez par correspondance au scénario, la disponibilité des données et l’interprétabilité. Point de pause : verrouiller les lignes de base des paramètres et archiver les fichiers de configuration avant de passer au déploiement.
   Sortie : lignes de référence des paramètres enregistrées dans des fichiers de configuration.
   Journaux : diagnostics de convergence, intervalles de confiance et calculs de centralité archivés.

5. Architecture globale et modules fonctionnels

1. Organiser les capacités en cinq domaines et sept couches ; mapper des modules de perception, quantification, prédiction, décision et exécution vers des microservices conteneurisés avec API versionnées.
2. Fournir la correspondance fonctionnelle à sept couches dans le tableau 6 avec les noms des services et les dépendances.
3. Mettre en œuvre la collecte de données en temps réel via un pipeline end–edge–cloud ; Définir les fréquences d’échantillonnage, les règles de regroupement et la QoS dans le tableau 7 ; Sujets liés aux courtiers en disques et politiques de rétention. Illustrez le pipeline à la Figure 3^{: 29,30}.
4. Construire des modèles virtuels en utilisant Graph-SLAM pour la disposition et les flux, la simulation basée sur des agents pour les comportements, et des outils CFD pour les contraintes d’environnement ; Bundle des préréglages de scénarios pour la Figure 4.
5. Assurer la synchronisation inférieure à 100 ms via la messagerie pub/sub et PTP ; capturez les métriques de latence à l’exécution, de débit et de perte de paquets, et fournissez les métriques brutes dans les ensembles de données supplémentaires.
6. Développer des modules d’aide à la décision pour l’alerte précoce, la simulation bac à sable et la visualisation des opérateurs ; exposer les terminaux REST et les tableaux de bord basés sur les rôles. Normaliser les résultats d’alerte précoce, les résultats de simulation et les paramètres de visualisation pour le rendu des tableaux de bord.
   Vérifier : pipeline d’ingestion actif ; Messages d’exemple traités via MQTT/OPC-UA.
   Vérifier : les terminaux de modèle répondent aux requêtes de test (REST/GraphQL).
   Note de disponibilité des données : archiver les fichiers de configuration, poids des modèles et graines de simulation ; fournir des sommes de contrôle et un lien de dépôt en lecture seule dans la section Disponibilité des données.
7. Paramètres d’hyperparamètres pour le modèle de prédiction du risque
   1. Voir le tableau 8 pour les paramètres d’hyperparamètres du flux de travail (Bi-LSTM, GCN, fusion gate, modules PPO et paramètres de l’environnement d’entraînement).
8. Test t par paires
   1. Utilisez un test t par échantillons appariés pour évaluer si les améliorations observées dans la performance du modèle (par exemple, la précision de la prédiction, l’horizon d’alerte précoce, la précision de propagation et les indicateurs de qualité de décision) diffèrent significativement entre les résultats de référence et la méthode proposée dans les scénarios appariés. Calculez la statistique du test à l’aide de l’équation (2) :
         (2)
      où est la différence moyenne par paires entre les résultats de référence et proposés, s_d est l’écart-type des différences appariées, m est le nombre d’observations appariées (scénarios de simulation appariés), et u est la statistique du test t apparié.

Résultats

Installation expérimentale

Le protocole utilise Python 3.11 avec PyTorch 2.1, scikit-learn 1.3, NetworkX 3.1, pandas 2.1, numpy 1.27, et en option TensorFlow 2.14. Les simulations reposent sur Graph-SLAM (g2o 2025.10, ROS2), AnyLogic 2025 pour la modélisation basée sur des agents, ainsi que sur ANSYS Fluent 2025 ou OpenFOAM v11 pour la CFD. L’échange de données est pris en charge via MQTT v5, OPC-UA et FastAPI pour la diffusion de modèles, ave...

Discussion

Les résultats de l’étude soutiennent l’idée que les pipelines d’apprentissage habilités par les jumeaux numériques peuvent renforcer la gestion des risques de la chaîne d’approvisionnement en associant la synchronisation des états à des prévisions basées sur les données. Les résultats expérimentaux indiquent que la colonne vertébrale Bi-LSTM–attention, combinée à un codage spatial basé sur le GCN, améliore la précision prédictive et étend l’horizon d’alerte précoce, ce qui est cohérent a...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
AnyLogic Simulation Platform	The AnyLogic Company	N/A	Logiciel de modélisation multi-méthodes pour des simulations basées sur des agents, des événements discrets et des dynamiques de système, intégré à TensorFlow
NVIDIA A100 GPU Server Cluster	NVIDIA Corporation	N/A	Utilisé pour l'entraînement parallèle des modèles Bi-LSTM-Attention + GCN et l'optimisation PPO au sein de la plateforme jumelle numérique