Résumé du projet

Le Laboratoire de Mathématiques Raphaël Salem est une unité mixte de recherche (UMR 6085, Université de Rouen Normandie – CNRS) avec une expertise dans le domaine de la statistique et du calcul scientifique, représenté respectivement dans les équipes « Statistique » et « Équations aux Dérivées Partielles et Calcul Scientifique » (EDPCS).

Le laboratoire, au travers de ce projet, propose de développer ses compétences en Intelligence Artificielle (IA), afin de lui donner une meilleure visibilité dans ce domaine. En effet, si aujourd’hui des recherches sont menées sur des sujets proches de l’IA, le laboratoire n’est pas encore reconnu comme étant expert de ce sujet.

L’objet de ce projet est de renforcer l’expertise du laboratoire en IA par la réalisation de deux démonstrateurs numériques, mettant en exergue les capacités du laboratoire à répondre à des problématiques en intelligence artificielle et en traitement de données.

Démonstrateur appliqué au calcul scientifique IA et EDP

L’intelligence artificielle appliquée au domaine des Équations aux Dérivées Partielles est un sujet émergent. L’application envisagée dans cette tâche est liée à des domaines d’intérêt industriel et régional : la simulation des écoulements avec effets thermiques dans les bâtiments, datacenters et cavités souterraines. Par la modélisation plus efficace de phénomènes de convection naturelle par des modèles mathématiques réduits, nous avons pour objectif de fournir une preuve de concept de type IA applicable à la détection de marnières en Normandie, à la gestion énergétique de bâtiments et enfin l’optimisation thermique de datacenters. Plusieurs axes de développements seront poursuivis :

• approximation des modèles à l’aide d’un réseau de neurone profond,
• développement de modèles réduits pour la simulation.

Démonstrateur appliqué aux statistiques IA et Markov

D’une part, dans le cadre de l’analyse de séquences d’ADN des multiples organismes vivants, les nouvelles technologies permettent d’obtenir de nombreuses séquences et donc d’amasser un grand nombre de données pas toujours exploitables avec les méthodes statistiques classiques. L’apprentissage profond supervisé ou non supervisé permettra d’approfondir les connaissances des organismes étudiés (de l’homme à la bactérie en passant par les plantes ou les virus…) et de découvrir ce qui jusqu’alors est resté inconnu : principalement la recherche de gènes, la compréhension de mécanismes biologiques ou bien plus particulièrement la recherche de gènes différentiellement exprimés entre deux conditions (sain / malade par exemple). Notons aussi que l’expérience du LMRS dans la modélisation des phénomènes complexes à l’aide des modèles stochastiques de type markovien (modèles de Markov et semi-markoviens, modèles (semi-) markoviens cachés, modèles dérivants de type markovien, etc.) sera utile à l’élaboration de nouveaux modèles d’apprentissage par intelligence artificielle.

D’autre part, nous nous intéressons aux développements algorithmiques et à l’élaboration des outils informatiques pour l’analyse prédictive des données, à l’aide des modèles stochastiques. Il s’agit de faire le lien entre une partie méthodologique (inférence des modèles stochastiques), des algorithmes associés et l’implémentation/automatisation de ces algorithmes. Ce sont des modèles utiles pour l’analyse prédictive dans les domaines du biomédical, de la génomique, du traitement du signal, de la finance et de l’assurance, de la climatologie, etc.

Membres du projet

Porteur du projet : Corentin Lothodé

Membres du projet sur la partie Équations aux dérivées partielles :

• Ionut Danaila
• Francky Luddens
• Corentin Lothodé
• Mohamad Issa (CDD ingénieur de recherche)
• Bahae-Eddine Madir (Stagiaire)

Membres du projet sur la partie Statistique :

• Vlad Barbu
• Mohamed Ben Alaya
• Nicolas Vergne
• Ioannis Mavrogiannis (CDD ingénieur de recherche)
• Mohamad Ali Nourredine (Stagiaire)

Financement

Un projet financé par :