Objectifs de la chaire
Au cours des dernières décennies, la quantification des incertitudes s’est avérée très efficace pour analyser les systèmes physiques, dans des domaines tels que l’aéronautique, le spatial et l’énergie.
Plus récemment, il a également été démontré que les méthodes de quantification des incertitudes peuvent être transférées avantageusement des applications physiques aux systèmes d’intelligence artificielle (IA) en particulier pour l’analyse de l’explicabilité et de la fairness.
La chaire UQPhysAI améliorera la compréhension fondamentale et développera des algorithmes robustes et largement applicables pour deux pierres angulaires de la quantification des incertitudes : l’analyse de sensibilité et l’apprentissage actif avec des modèles bayésiens.
En ce qui concerne l’analyse de sensibilité, l’accent sera mis sur l’analyse causale, la grande dimension et la complexité des entrées et sorties.
En ce qui concerne les modèles bayésiens et l’apprentissage actif, la chaire se concentrera sur les environnements imbriqués et couplés, et sur l’exploitation de techniques nouvelles et plus diverses de quantification des incertitudes.
Les développements méthodologiques seront alimentés par et appliqués à des problèmes et des données réalistes pour les systèmes physiques et d’intelligence artificielle, en collaboration avec des partenaires industriels : ONERA, Airbus, Liebherr et Vitesco.
Co-chair
- Nathalie Bartoli (DR ONERA)
- Paul Novello (IR IRT Saint Exupéry)
- Mélisande Albert (MCF IMT INSA)
Participants
- Jérôme Morio (DR ONERA)
- Démêler la causalité de la dépendance dans l’analyse de sensibilité globale.
- Calcul des indices de sensibilité pour des entrées complexes à haute dimension.
- Robustesse de l’analyse de sensibilité par rapport aux choix structurels et à la structure de dépendance.
- Modèles bayésiens pour les systèmes imbriqués et couplés.
- Quantification de l’incertitude plus diversifiée pour un apprentissage actif plus efficace.
- Conception et optimisation multidisciplinaires.
- Intelligence artificielle explicable et équitable.
- IFP Energies Nouvelles : calibration bayésienne de modèles informatiques géophysiques, Thèse de doctorat de A. Barry, sous la direction de F. Bachoc et C. Prieur, depuis Jan 2022.
- Consortium CIROQUO : 6 instituts industriels et 8 instituts académiques : recherche sur la quantification des incertitudes, depuis janv 2021.
- IRSN, Prediction of complex outputs for nuclear safety, Thèse de doctorat de F. Gossard, encadrée par F. Bachoc et J. Baccou, depuis Nov 2023.
- ONERA, Active learning in nested and coupled settings, Thèse de doctorat de Robert Koprinkov, encadré par F.Bachoc et N. Bartoli, depuis Sept 2024.
- ONERA, New challenges in sensitivity analysis : dependence, causality and high-dimension, Thèse de doctorat de Lucas Monteiro, sous la direction de F. Bachoc et J. Morio, depuis Nov 2024.
- AIRBUS, LIEBHERR et VITESCO, projet AI4SAVE.
- Projet pilote du Pôle d’Expertise de la Régulation Numérique et de l’INRIA Regalia, Intelligence Artificielle Explicable et Equitable, Sep 2024.
- Analyse de sensibilité globale évolutive et plus informative.
- Apprentissage actif bayésien largement applicable avec des garanties mathématiques améliorées.
French 
English