La réduction d'ordre des modèles (ROM) est une méthode avec pour objectif d'approcher la solution d'un problème d'évolution en haute dimension. En effet, la résolution numérique de tels problèmes peut être extrêmement coûteuse et construire un modèle de substitution en (bien) plus faible dimension aide à raisonnablement approcher la solution.

Pour des problèmes d'évolution, des techniques reposent sur la construction d'un espace réduit unique sur l'intervalle de temps. La Proper Orthogonal Decomposition (POD) propose de composer l'espace réduit de solutions du problème haute-dimension sur les premiers instants de l'intervalle. Cela dit, cette méthode occulte les instants non choisis et cela peut entraîner des défauts de performance si des informations clés ne sont pas prises en compte.

Je vais présenter la méthode proposée par une de mes encadrantes, Kathrin Smetana, et ses co-auteurs, afin de répondre à cette limite. Elle suggère de reprendre le principe fondamental de la POD mais de plutôt considérer plusieurs sous-intervalles indépendants, sélectionnés avec une densité de probabilité qui privilégie les instants portant le plus d'informations. En considérant un opérateur de transfert construit comme étant linéaire, nous pouvons ainsi utiliser des résultats de l'algèbre linéaire aléatoire dans la construction de l'espace réduit.