GLOBE

Les thèmes de recherche:

        OPTImisation globale, MAchine Learning, et applications – OPTIMAL
        Apprentissage Automatique et Systèmes Autonomes – A2SA
        MOdèles DE calcul – MODE

Nos activités de recherche se trouvent sur les deux grandes thématiques de l’informatique : l’Informatique Décisionnelle (ID - A2SA, OPTIMAL) et l’Informatique Théorique (IT -  MODE).  Elles gravitent autour du développement d'outils de l'Intelligence Artificielle (IA) et de ses applications.  

Nos thèmes sont répartis en quatre grandes lignes que nous désignons comme sous-thèmes

    Optimisation – théorie, algorithmes et applications (ID-OPTIMAL);
    Machine Learning et leurs applications (ID-OPTIMAL, A2SA) ;
    Modélisation et Optimisation des systèmes complexes / autonomes (ID-OPTIMAL, A2SA) ;
    Logique et Modèles de calculs (IT - MODE).

L’Optimisation et l’Apprentissage sont les deux domaines au cœur de l’Intelligence Artificielle, elles constituent des outils indispensables pour les applications d’IA. Ces deux domaines sont strictement liés.
Le Machine Learning est un sous-thème transversal d'OPTIMAL et d'A2SA, qui l'étudient selon des approches différentes. De même, la Modélisation et l'Optimisation des systèmes constituent un sous-thème commun à OPTIMAL et à A2SA. Alors qu'A2SA se concentre sur les systèmes autonomes, OPTIMAL, avec les outils puissants de l'optimisation, s'attaque à de nombreux systèmes complexes et autonomes dans les domaines du transport-logistique, de la finance, de la santé, des communications, de la robotique, etc.

OPTIMAL – OPTImisation, MAchine Learning et applications

1. Développer des nouvelles méthodes DCA avancés, déterministes et stochastiques, pour la résolution des problèmes d’optimisation non convexe avec Big data

L’optimisation est le sous thème majeur de OPTIMAL, elle continue de jouer le rôle central. Les points forts de OPTIMAL dans cette thématique portent sur l’optimisation non convexe et ses applications, un domaine très difficile et en pleine explosion un peu partout dans le monde au cours de ces dernières années. L’étude d’Optimisation non convexe par les outils d’analyse convexe est une thématique spécifique de notre équipe au sein du Pôle AM2I, et même très peu étudiée par des équipes  Françaises. Au cœur de l’Optimisation non convexe, se situent la programmation DC (Difference of Convex functions) et DCA (DC Algorithm), un produit phare de OPTIMAL, qui sont connus et reconnus comme outils puissants d’optimisation non convexe (différentiables ou non) grâce à leur robustesse et performance comparées à des méthodes existantes, leur rapidité et scalabilité, et la flexibilité des décompositions DC, le meilleur au niveau mondial avec des apports majeurs à la communauté scientifique en Optimisation et Machine Learning (les seules méthodes en Optimisation non convexe et Optimisation globale issues de l'Ecole Française). Etant motivés par les challenges de l'ère du Big data et tenant compte des résultats récents en Optimisation non convexe et la programmation DC, nous visons les trois grandes lignes suivantes dans nos futures travaux :

• Les méthodes DCA avancés : nous continuerons la nouvelle tendance émergée depuis quelques années pour concevoir des schémas DCA avancés afin de réduire la charge de calcul dans DCA, d’accélérer la convergence de DCA pour obtenir la  rapidité, puis  la scalabilité de DCA.
• Les extensions de DCA au-delà des programmes DC: nos nouveaux résultats théoriques intéressants (par exemple, la pénalité exacte et les bornes d'erreur en programmation DC, les approches d'approximation, etc.) nous offrent plusieurs opportunités de développement des algorithmes pour résoudre des problèmes non convexes au-delà des programmes DC. Une autre direction est d’extension de DCA pour adapter à la structure non DC du problème traité.
• Optimisation stochastique non convexe :  le noyau de nos recherches est le projet IUF (11/2021-10/2026) de Hoai An Le Thi portant sur « Optimisation stochastique non convexe et applications au machine learning, en logistique et en robotique » qui vise à développer une nouvelle génération d'algorithmes stochastiques pour une grande classe de problèmes d'optimisation stochastique non convexe/non différentiable afin de répondre aux nouveaux besoins et défis liés au paradigme émergent de l'optimisation stochastique non convexe et du Big data, et leurs applications dans différents domaines.

Notons ici une interaction très forte avec l’Axe IFLORSys qui travaille sur l’Optimisation combinatoire (AGAPE et MPL) avec différentes techniques (notamment l’approximation à performance garantie et la programmation mathématique). Les résultats de recherche de OPTIMAL ont jeté le pont entre les deux domaines - l’optimisation continue et l’optimisation combinatoire, via la programmation DC et DCA. DCA est une approche continue mais peut résoudre efficacement des problèmes d’optimisation combinatoire. Ceci offre des belles opportunités de collaboration entre OPTIMAL et AGAPE et MPL sur les algorithmes d’optimisation et leurs applications dans différents domaines.

2. Algorithmes de Machine Learning (ML) avec Big data basés sur DCA avancés

Apprentissage et fouille de données par l’approche d’optimisation est une thématique transversale entre « optimisation » et « apprentissage », et elle constitue un point fort de l’axe GLOBE liant OPTIMAL et A2SA. Au cours des deux dernières décennies, la programmation DC et DCA ont été appliqués avec succès à la modélisation et à la résolution de nombreux problèmes de ML (clustering, classification supervisée/semi-supervisée, apprentissage avec la parcimonie / avec l’incertitude, deep learning (DL), reinforcement learning (RL), online learning. (OL) L’objectif principal de notre projet est d’exploiter des méthodes DCA avancées dans 1) pour concevoir des algorithmes avancés de ML afin de relever des défis de Big data. Nous investirons les schémas DCA avancés aux sujets importants et d’actualité de machine learning: DL, OL, RL transfert learning. En particulier, les algorithmes DCA stochastiques développés en 1. iii) seront déployés dans les modèles de DL et RL.

Notons ici la complémentarité intéressante à la fois avec A2SA, avec DAVIS de l’Axe IFLORSys et   MSPRE de l’Axe HESA qui s’intéressent aux algorithmes de l’apprentissage automatique dans différents contextes et applications. Ceci montre également un grand intérêt scientifique   de travailler ensemble sur la conception de méthodes d’apprentissage automatique basées sur des approches différentes et complémentaires selon la nature de l’application et des données à analyser.

3. Concevoir des outils d’Intelligence Artificielle (IA) basés sur la programmation DC et DCA, et le Machine Learning (ML) pour optimiser des systèmes complexes / autonomes

Nous exploiterons des résultats de deux sous thèmes 1) et 2) ci-dessus pour la modélisation, la conception des algorithmes et des logiciels pour la résolution des problèmes décisionnels dans les systèmes complexes. En effet, la plupart des modèles d’aide à la décision issus des systèmes industriels sont de nature non convexe (dont les problèmes d’optimisation combinatoire font partie) qui peuvent être reformulés comme la programmation DC. Dès lors, l’utilisation de DCA est naturelle, voire indispensable dans plusieurs cas (en particulier dans les systèmes complexes de très grande dimension). Une nouvelle direction très efficace dans les recherches actuelles ainsi que dans nos travaux est d’utiliser RL pour traiter en temps réels des problèmes d’optimisation difficiles de grande dimension.
L’Industrie 5.0 sera la ligne directrice de nos activités, et la nouvelle approche d’Intelligence Artificielle (IA) appelée IA explicable (eXplainable AI ou XAI en Anglais), qui repose sur l’explicabilité des algorithmes de Machine Learning sera au cœur de nos travaux. La collaboration avec  MODE favorisera cette dernière tâche (combiner le Machine Learning et la Logique pour concevoir des outils d’XIA).
Par ailleurs, nous allons mettre en évidence davantage les aspects enjeux sociétaux, en particulier le développement durable dans nos recherches. Cette orientation présente des liens transversaux avec RARe et NEUROTOX de l’Axe HESA qui travaille également sur des problématiques de développement durable.

Nous nous focalisons sur les quatre systèmes suivants :

1. Systèmes de production et de logistique : concevoir des modèles et des méthodes d’optimisation et/ou de machine learning (RL, DL) pour optimiser ces systèmes (une partie du projet IUF).  
2. Systèmes financiers : gestion/fouille des données financières et sélection des portefeuilles optimaux (collaborations entre les collègues en 27e et 6e sections au sein de l’OPTIMAL).
3. Systèmes de drones et robotiques :

• Planification de mission de drone: Des modèles et des méthodes appropriés dans 1.a) et des techniques de RL dans 1.b) seront déployés (collaboration avec NAVAL Group).
• Navigation des drones (collaboration avec FUJITSU, une partie du projet IUF): l'objectif est de fournir des solutions de navigation avec une précision et une fiabilité élevées, même dans les conditions réelles les plus exigeantes et les plus dynamiques. Nous aborderons de nombreux sujets importants dans la navigation par drone, y compris la localisation et la cartographie, l'évitement d'obstacles et les problèmes de contrôle de trajectoire. Des algorithmes stochastiques dans 1.a) et des techniques de RL, de DL et dans 1.b) seront déployés.

Le but ultime de ce thème est de valoriser nos recherches via des contrats industriels. Notre équipe était très dynamique sur ce point durant le dernier contrat quinquennat vis-à-vis de huit contrats de recherche avec des grands groupes industriels (NAVAL groupe, RTE) pour un montant global d’environ 700 k€, et ce malgré peu de personnel (2 chercheurs permanents seulement pour réaliser ces contrats !) Avec Fujitsu à la rentrée 2023, nous continuerons cette bonne voie pour réaliser les transferts technologiques sur les sujets de point.
Cette thématique applicative présente également une transversalité intéressante avec A2SA (systèmes autonomes) et avec l’Axe IFLORSys qui s’intéresse aussi à l’industrie du futur, la logistique. Dans ce cadre, on peut souligner une participation commune des chercheurs d’OPTIMAL, A2SA, AGAPE et DAVIS dans un projet LUE-IMPACT qui vient d’être soumis, avec un focus concernant l’Aide à la Décision et l’IA pour une industrie du futur performante et écologique.  

A2SA – Apprentissage Automatique et Systèmes Autonomes

Notre objectif est de développer des algorithmes intelligents pour les applications industrielles dans le but d’avoir une performance accrue tant au niveau de la sûreté, qu’aux niveaux de la production et de l’exploitation de l’information véhiculée par les différents acteurs d’une application industrielle. Au niveau méthodologique, nos travaux dans le cadre du thème A2SA concernent l’apprentissage automatique et les systèmes autonomes au sens large. Ceci inclut l’apprentissage profond avec ses variantes les plus avancées, le clustering et la classification multi-vues, la classification multi-label et multi-instances, ainsi que la régression et l’extraction des caractéristiques pour les problèmes complexes. Parmi ces problèmes d’application, on peut citer l’étude de la pollution pour une industrie du futur propre, les systèmes de recommandation (e.g., recommandation de faire des actions publicitaires en fonction de différents facteurs pour amorcer les ventes d’un produit de l’industrie du futur...), ou le contrôle qualité en production pour une industrie de futur performante (e.g., contrôle qualité des tissus dans les chaines de production textiles, contrôle qualité moteur industriel dans les chaînes de production, gestion énergétique et pilotage des équipements, )...
Les travaux de ce sous thème sont principalement menés par nos chercheurs de A2SA (l’antenne du LCOMS à Saint-Die-des-Vosges). Ce groupe « récent » met en place des collaborations avec les industriels de la région pour la création des projets à long terme favorisant l’échange et le transfert des connaissances.
L’intelligence artificielle et l’apprentissage automatique constituent des outils importants et offrent des solutions prometteuses à fort potentiel pour certaines problématiques de l’Industrie 4.0, notamment pour faciliter l’échange et la traçabilité́ en temps réel des informations pertinentes entre les objets/machines et les utilisateurs, ainsi que pour offrir un support favorable dans la gestion de la chaîne d’approvisionnement. Actuellement, le domaine de l’apprentissage automatique se développe rapidement dans l’industrie nouvelle pour créer des systèmes à intelligence accrue. Les outils d’apprentissage sont utilisés notamment dans des applications industrielles, techniques et scientifiques telles que la surveillance (e.g., de la température ou la pression d’un système), ou des applications environnementales telles que la surveillance de la pollution, des UV, de la radioactivité ou autres, la numérisation des bâtiments (Smart Building), dans des applications de transport y compris l’optimisation de l’énergie, des automatisations diverses ou la prévention des accidents. De nouvelles applications et problématiques de l’industrie, reliées à l’Internet des objets (IoT) commencent aussi à apparaître ce qui peut constituer un sujet important à aborder par les chercheurs de l’équipe dans les années à venir, notamment en collaboration avec le thème CAMA de l’axe IFLORSys.
La localisation/le suivi en temps réel des actifs dans le domaine de l’industrie est plus que nécessaire pour économiser du temps et des coûts opérationnels. Par conséquent, il est important d’offrir à l’industrie un système personnalisé, efficace et précis de suivi des actifs dans les environnements intérieurs et extérieurs. Malgré les progrès significatifs de l’Industrie 4.0 (et la cinquième révolution industrielle), la détection d’objets reste un processus complexe et un problème fondamental de recherche. L’un des principaux défis de la détection d’objets consiste à les classer et à déterminer leurs positions avec précision en temps quasi réel à partir de photos ou de vidéos. Pour résoudre ce problème, les chercheurs utilisent souvent des algorithmes d’optimisation heuristique (tels que : l’intelligence d’essaim pour une intelligence collective ou collaborative, la fonction de perte multitâche pour estimer les résultats des erreurs de classification et des erreurs de localisation) et des approches d’apprentissage automatique. En effet, la plupart des méthodes optimisent indépendamment la détection d’objets et l’association de données (par exemple, l’emplacement). Dans nos travaux de recherche, nous allons opter pour l’apprentissage automatique profond pour suivre simultanément plusieurs objets et identifier leurs positions en temps réel, en utilisant un réseau maillé de capteurs éventuellement connectés (e.g., appareils Bluetooth et IoT). Nous envisageons pour cela d’exploiter l’apprentissage multi-vues. Cette utilisation est motivée par la nature multimodale des données en provenance de différents capteurs (caméras ou capteurs sensoriels particuliers). Apprendre à partir de différentes vues de données en explorant les sous-jacentes des informations complémentaires entre elles peuvent doter la représentation avec une capacité expressive plus forte. L’objectif de l’apprentissage multi-vues sera de synthétiser plusieurs fonctionnalités pour obtenir des descriptions plus complètes des éléments de données. La plupart des études précédentes sur l’apprentissage multi-vues ont été dédié à augmenter la précision de la prédiction, tout en ignorant la fiabilité de la décision. Cela limiterait leur déploiement dans les applications à haut risque et les applications industrielles (comme par exemple l’industrie automatisée ou les robots autonomes). Concevoir des nouveaux modèles d’apprentissage multi-vues pour fusionner dynamiquement différentes données multimodales nous parait nécessaire. Ceci va permettre d’estimer et faire le suivi des objets ainsi que fiabiliser la prédiction en conséquence.

Robotique intelligente, interaction et apprentissage : Cette partie explore des solutions basées sur l’IA pour permettre aux robots d’être déployés de manière autonome dans des scénarios d’exploration complexes où les tâches ne sont pas préprogrammées, en instruisant simplement les robots avec des objectifs communiqués en langage naturel. Nous proposons des agents robotiques intelligents équipés de connaissances à l’échelle de l’internet sur le monde (plateforme MINUTE). Cela permettra à l’IA de décomposer les tâches et de les exécuter, économisant ainsi du temps et des ressources lors de l’utilisation de la robotique mobile dans des environnements dynamiques et inconnus pour des applications de surveillance et d’inspection. Notre objectif sera de démontrer le concept d’application de mission de sauvetage (recherche + planification de sortie), par exemple, dans un environnement hostile, où les opérateurs géreront des robots terrestres autonomes avec des missions de recherche. Cette thématique présente plusieurs intérêts significatifs et des applications pour l’Industrie 4.0, telles que l’amélioration des missions dans des processus de fabrication industriels. Le développement de robots autonomes capables de comprendre et d’exécuter des tâches basées sur des instructions en langage naturel s’aligne avec l’objectif d’automatiser divers aspects des opérations industrielles, conduisant à une efficacité accrue et à une réduction de l’intervention manuelle. Dans ce cadre, on peut souligner une participation commune des chercheurs d’A2SA, AGAPE et OPTIMAL dans le montage d’un projet ANR (Robust AI Planning for Autonomous Robots Using Structured NLP Prompts).  

Au niveau de l’Axe GLOBE, le thème A2SA travaillera tout naturellement en collaboration avec  OPTIMAL sur ces problématiques d’apprentissage automatique, d’optimisation continue ou globale pour les systèmes autonomes. Ainsi le thème d’apprentissage automatique et les systèmes autonomes est transversal entre OPTIMAL et A2SA.
Au niveau du LCOMS, les chercheurs de A2SA peuvent travailler avec IFLORSys en étroite collaboration avec le thème PML et le thème AGAPE pour traiter des problèmes d’ordonnancement de la production et optimiser l’utilisation de l’information dans des réseaux complexes de structure variable dans le temps, avec le thème RARe de l’axe HESA sur des applications relevant des systèmes de conversion d’énergie et/ou du véhicule du futur Electrique ou Autonome, en faisant apparaître des aspects collaboratifs des échanges de données, ainsi que le thème CAMA d’IFLORSys sur les aspects de développement des capteurs intelligents (e.g., dans des applications IoT).

MODE (MOdèle DE calcul)

1. L'étude approfondie de systèmes logiques et leurs applications

En sémantique des programmes, Loïc Colson a imaginé, il y a quelques années, un nouveau paradigme de système logique qu'il a appelé systèmes pédagogiques. L'idée de ces systèmes est que toute invocation d'un élément dans une démonstration doit s'appuyer sur un exemple concret d'un tel élément. On ne peut donc plus, par exemple, commencer un raisonnement par « considérons un cercle X rectangulaire » car on n’a pas d’exemple de tel objet. D’un point de vue « intelligence artificielle » cette discipline économise beaucoup de travail inutile dans les recherches de preuves, les systèmes usuels passant une partie de leur temps à faire des hypothèses stériles comme celle-ci. L'étude approfondie de ces systèmes sera le but principal de nos recherches en logique.  Par ailleurs, un autre sujet sera l’étude des applications fondamentales de la logique en sémantique des programmes et d'autres branches de l'informatique. Par exemple les systèmes de « preuve assistée par ordinateur » comme Isabelle (développé à Cambridge, Munich et Orsay) et Coq (développé par l’INRIA le CNRS et Paris-Diderot) permettent maintenant de vérifier des preuves conséquentes comme par exemple des preuves de correction de programmes. Le bien-fondé de cette approche repose sur la cohérence du système formel (de la logique) sous-jacente au système de preuve implémenté. La lutte contre les paradoxes (preuves de l’absurde sans hypothèse) est donc essentielle dans tous ces systèmes. Un nouveau paradoxe a été développé par L. Colson dans la théorie des ensembles de Frege (théorie des ensembles naîve)  qui simplifie le paradoxe de Burali-Forti et qui est typable (contrairement au paradoxe de Russell). Il semble donc naturel de combiner les deux thématiques en cherchant de nouvelles preuves de cohérence dans les systèmes de preuves pédagogiques.

2. Modèles de calcul d’automate cellulaire

Maurice Margenstern poursuivra ses travaux sur les automates cellulaires universels. Il a obtenu des résultats marquants sur les automates cellulaires avec un très petit nombre d'états dans des grilles du plan hyperbolique, et renforcera ses recherches dans cette direction.
Pour résumer, au sein de GLOBE, les deux équipes OPTIMAL et A2SA vont mener des collaborations étroites via les deux thèmes transversals : machine learning, et systèmes d’autonomes. D’autre part, l’IA explicable est l’objectif commun de la collaboration entre les équipes OPTIMAL et MODE.

Réseaux de recherche

Partenaires : nous poursuivrons nos collaborations scientifiques avec nos nombreux partenaires académiques internationales (Angleterre, Finlande, Norvège, Chine, Vietnam, USA, Espagne, Portugal, Luxembourg, Australie, …), tout en renforçant la collaboration fructueuse avec NAVAL Group depuis 2012 et créant le nouveau partenaire industriel FUJITSU, une grande compagnie Japonaise ayant nombreux sièges en France.
Par ailleurs NAVAL Group vient de nous proposer un plan ambitieux de collaborations riches et conséquentes sur l’IA durant les prochaines années.

Réseaux nationaux et internationaux : au niveau national, OPTIMAL fait partie de Réseau Thématique RT Optimisation, Société Française de Recherche Opérationnelle ROADEF et GdR RO (Recherche Opérationnelle).
Au niveau international OPTIMAL fait partie de 3 groupes de SIAM (Society for Industrial and Applied Mathematics) en Optimisation, Science de données et Finance, et le group Continuous Optimization de  Association of European Operational Research Societies.

Expertise pour des organismes nationaux

• Hoai An LE THI:
  • HCERES
  • INRIA
  • International Society of Global Optimization iSoGo
  • Selection Committee for the 2023 Constantin Caratheodory Prize
  • Selection Committee for the 2025 Constantin Caratheodory Prize

Participation à des comités éditoriaux

• Hoai An LE THI:
  • Journal of Global Optimization  https://link.springer.com/journal/10898
  • SMAI Journal of Computational Mathematics (SMAI-JCM)  https://smai-jcm.centre-mersenne.org/
  • Vietnam  Journal of Computer Science  https://www.worldscientific.com/worldscinet/vjcs