MALICE

L'équipe Inria MALICE, dont les membres possèdent une solide expertise en apprentissage statistique, mathématiques appliquées, statistiques et optimisation, développe de nouvelles contributions algorithmiques et théoriques centrées sur l'intégration des connaissances physiques dans les modèles d'apprentissage automatique (ML).

En s’appuyant sur les compétences en physique présentes au laboratoire Hubert Curien, MALICE vise à favoriser le développement de nouvelles contributions méthodologiques en apprentissage automatique informé par la physique(Physics-informed Machine Learning – PiML), avec pour application prioritaire l'ingénierie de surface. Ceci permet des avancées scientifiques majeures tant en apprentissage automatique qu’en physique.

Notre équipe se concentre sur plusieurs défis, notamment : (i) un accès limité aux données d’apprentissage et une connaissances physique souvent incomplète (généralement sous forme d’équations aux dérivées partielles – EDP), (ii) la nécessité de développer des garanties théoriques (en généralisation, approximation, optimisation) pour les modèles optimisés à la fois à partir de données et de lois physiques, et (iii) un besoin fort de transfert de connaissances d’un système dynamique à un autre.

Les avancées réalisées au sein de l'équipe en apprentissage automatique permettent une meilleure compréhension des phénomènes physiques sous-jacents aux mécanismes d’interaction laser/rayonnement-matière, ouvrant la voie à la résolution de nombreux défis sociétaux dans les domaines de l’espace, du nucléaire, de la défense, de l’énergie ou encore de la santé.