Description
Date depot: 25 février 2020
Titre: Réseaux de neurones profonds pour la modélisation de phénomènes physiques complexes – incorporation de connaissances a priori
Directeur de thèse:
Patrick GALLINARI (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Nous proposons pour ce travail de thèse d’explorer deux directions complémentaires. La première et principale direction concerne l’incorporation de connaissances issues de la physique des phénomènes étudiés, pour guider les processus et les modèles d’apprentissage. La seconde consiste à étudier la capacité des systèmes d’apprentissage à modéliser des phénomènes correspondant à des équations différentielles canoniques. On s’appuiera dans les deux cas sur des modèles de réseaux de neurones (Deep Learning - Goodfellow 2017, LeCun 2015) qui 1) permettent d’entraîner des modèles complexes combinant des modules de différentes natures, 2) offrent un formalisme unifié permettant d’aborder plusieurs points cruciaux pour ce travail comme la modélisation de systèmes dynamiques, la modélisation d’incertitudes, l’approximation et l’échantillonnage de distributions de probabilités complexes. On s’appuiera en particulier sur des modèles dynamiques à état qui sont des extensions des réseaux de neurones récurrents pour modéliser les dynamiques temporelles et spatio-temporelles des processus (karl 2017, Krishnan 2017, Ziat 2017) et sur des modèles génératifs ainsi que sur des modèles variationnels (Goodfellow 2014, Kingma 2014) pour la modélisation d’incertitude et la modélisation de distributions complexes.
Doctorant.e: Ayed Ibrahim