Description
Date depot: 20 mars 2024
Titre: Inférence par apprentissage profond dans les modèles globaux de dynamique de biodiversification
Directeur de thèse:
Laurent JACOB (LCQB)
Directrice de thèse:
Hélène MORLON (IBENS)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé: Comprendre comment la diversité biologique a évolué sur des échelles
de temps géologiques, les différents processus influençant son
évolution sur des échelles de temps plus courtes et son assemblage en
communautés écologiques, est essentiel pour prédire l'impact des
changements environnementaux actuels et futurs sur la biodiversité,
ainsi que l'impact humain, social et économique associé.
Une telle compréhension passe par la conception de modèles
probabilistes qui décrivent de manière réaliste l'évolution de la
biodiversité en fonction de paramètres (températures, taux de
spéciation...). Comprendre l'effet des processus environnementaux sur
l'évolution de la biodiversité nécessite de trouver les paramètres
qui, sous ce modèle, expliquent le mieux des données observées, c'est
à dire à faire de l'inférence. Cette inférence est d'autant plus
difficile que les modèles sont complexes, et pour le moment impossible
dans les modèles mécanistes généraux.
Dans ce projet, nous développerons des approches d'apprentissage
profond pour l'inférence (ou inférence neuronale) dans des modèles
éco-évolutifs mécanistes généraux. Ce paradigme émergent utilise des
données simulées sous le modèle pour apprendre une fonction prenant en
entrée une observation et estimant les valeurs paramètres du modèles
expliquant au mieux l'observation. Ces fonctions utilisent des réseaux
de neurones, dont les progrès récents (notamment en apprentissage
profond géométrique) permettent de concevoir des fonctions capables de
prendre en entrée des données structurées telles que des arbres
phylogénétiques ou des alignements de séquences. Par construction,
l'inférence neuronale s'applique à des modèles arbitrairement
complexes du moment qu'il est possible de s'en servir pour simuler des
données, ce qui en fait un outil approprié pour les modèles
éco-évolutifs mécanistes.
Par cette contribution, nous espérons accélérer notre compréhension
des processus éco-évolutifs essentiels sous-jacents à la dynamique de
la biodiversité et construire des modèles prédictifs causaux qui
permettront de simuler des scénarios réalistes d'évolution de la
biodiversité en fonction de paramètres environnementaux prescrits
(températures, contraintes spatiales), fournissant ainsi un outil
d'information pour les politiques publiques.