Efficient algorithms and Data Assimilation for Computationally Efficient Constrained Advanced Learning

L’assimilation de données consiste à faire des prédictions à partir d’équations d’évolution qui sont ajustées à l’aide de données d’observation. Cette discipline s’est énormément développée ces derniers temps, notamment en s’appuyant sur l’utilisation de techniques d’échantillonnage statistique.

Cette émergence a été stimulée par de forts besoins sociétaux dans des applications de pointe telles que la météorologie et les géosciences en général, mais aussi d’autres secteurs comme la neutronique, la mécanique pour n’en citer que quelques-uns. On observe également que la complexité mathématique des modèles d’évolution modernes s’accroît de telle manière que le suivi de systèmes en temps réel est un défi dans de nombreuses applications. À cet égard, les questions importantes à résoudre sont liées à une bonne gestion de la non-linéarité des modèles, à l’atténuation des hypothèses linéaires et gaussiennes qui sont au cœur des algorithmes les plus récents, et à l’utilisation efficace des ressources de calcul

Soutenus par une théorie statistique très générale, les algorithmes d’apprentissage profond permettent de faire des prévisions sur une grande variété d’ensembles de données et d’obtenir des performances impressionnantes, tant en termes de précision que de temps d’exécution, et ceci  dans de nombreuses applications telles que le traitement des images et de la parole, pour n’en citer que deux. La clé est l’expressivité des réseaux neuronaux profonds, qui permet d’aborder des fonctions très non linéaires, l’utilisation de bases de données riches, et l’implantation d’algorithmes sur des  architectures de calcul dédiées à ces tâches de prédiction.

L’objectif de la chaire est de promouvoir une synergie entre l’assimilation de données et l’apprentissage machine pour étudier de nouveaux algorithmes ainsi que leur mise en œuvre efficace sur des architectures informatiques modernes. En ce qui concerne l’IA, notre objectif est d’étudier les méthodes d’introduction de contraintes physiques dans les algorithmes d’apprentissage machine, et de prouver tant théoriquement que pratiquement leurs performances.

Programme : IA acceptable
Thèmes : Développement sûr et embarquabilité | données et anomalies | IA et modèles physiques | optimisation et théorie des jeux pour l’IA

Porteur : Serge Gratton (Toulouse INP – IRIT)

Équipe
Pierre Boudier (ANITI) 
Alfredo Buttari (CNRS) 
Selime  Gürol (Cerfacs) 
C. Lapeyre (Cerfacs)

Site
http://gratton.perso.enseeiht.fr/