AHEAD : Artificial Intelligence for Health, Physics, Transportation and Defense

Appel à candidatures pour des contrats doctoraux en intelligence artificielle !

AHEAD

10 mai 2021
9 juillet 2021

Le programme doctoral AHEAD (Artificial Intelligence for Health, Physics, Transportation and Defense) regroupe différents acteur.trice.s et laboratoires du Cnam Paris qui mènent des recherches en intelligence artificielle. Il a été sélectionné dans le cadre de l’appel « contrats doctoraux en intelligence artificielle » lancé par l'ANR. Le programme doctoral est cofinancé par l’ANR et par un certain nombre de partenaires institutionnels et industriels. Découvrez les sujets de thèses proposés!

AHEAD/Chiffres-clés

L’ambition du programme AHEAD (Artificial Intelligence for Health, Physics, Transportation and Defense) lancé par l'Agence nationale de la recherche (ANR) et porté par le Cnam est de promouvoir la recherche en IA autour de quatre axes transverses en lien avec les priorités stratégiques de l’établissement : la santé, les transports, la physique et la cyber-sécurité. Le programme AHEAD aborde des problématiques fondamentales liées à l’IA, comme l’apprentissage statistique, le deep learning, l’optimisation ou les problèmes inverses, ainsi que des applications comme la médecine personnalisée et la prévention, la planification dans le domaine de l’énergie et des transports, l’apprentissage contraint par des modèles physiques ou le machine learning explicable en cyber-sécurité.

Le programme est adossé à une école doctorale, l'ED Sciences des métiers de l'ingénieur.e (SMI) qui devrait réunir au moins 10 doctorant.e.s engagé.e.s en 2020, 2021 et 2022. Les doctorant.e.s sélectionné.e.s seront recruté.e.s sur un contrat à durée déterminée de 36 mois à partir de novembre 2020.

Quatre laboratoires du Cnam sont impliqués dans ce projet d'envergure : le Centre d'études et de recherche en informatique et communications (Cedric)Sécurité défense (SD), le Laboratoire de mécanique des structures et des systèmes couplés (LMSSC) et le laboratoire Modélisation mathématique et numérique (M2N).

AHEAD/Sujets de thèse

Les sujets de thèses proposés

Sujet de thèse #1 : Deep learning pour l’amelioration de signaux vocaux dans un contexte de radio-communications avec des dispositifs decaptation sonore non conventionnels

Structures d'accueil : Laboratoire de mécanique des structures et des systèmes couplés (LMSSC) et Institut franco-allemand de recherches de Saint-Louis (ISL)

Objectifs

Nous proposons de tirer parti des avancées récentes dans l’utilisation d’architectures spécialisées de Deep Learning pour l’extension de la bande passante afin de compenser ce contenu atténué dans le signal vocal en hautes fréquences. Ce problème, qui vise à générer une forme d'onde audio à une fréquence d'échantillonnage plus élevée et à reconstituer de l’information absente du signal original, est également connu dans la littérature sous le nom de d’audio super-résolution. En effet, l'utilisation de méthodes traditionnelles -- telles que l’amplification par filtrage linéaire du signal audio capturé par le microphone intra-auriculaire à l'aide d'un modèle detransmission acoustique de la bouche au microphone - pourrait s'avérer inefficace pour récupérer le contenu haute fréquence dansce cas.

Les premières méthodes proposées dans la littérature étaient basées sur le modèle source-filtre de la production vocale et exploitaient les DNN pour estimer l'enveloppe en hautes fréquences. En raison des exigences d'interopérabilité dans les communications radio, le processus d'extension de la bande passante dans la parole est effectué sans aucune information secondaire. En d'autres termes, l'unité de traitement du côté du décodeur doit prédire le signal en hautes fréquences en exploitant uniquement certaines connaissancesstatiques du signal « dégradé » par le chemin de propagation.

L’essor du Deep Learning pour la super-résolution en traitement d’image et l’amélioration constante des architectures DNN « end-to-end » utilisant des signaux audio bruts (dans le domaine temporel) comme entrées pour les modèles d'apprentissage profonds nous incite à nous tourner vers le développement et la mise en œuvre d’un outil basé sur l'apprentissage profond permettant d’améliorerla qualité de la parole captée par des transducteurs non conventionnels. Nous nous orientons vers le développement d’une architecture de type U-Net utilisant des convolutions 1D-dilatées (à trous). Ces convolutions sont couramment utilisées pouraugmenter le champ réceptif d'un réseau neuronal, sans en augmenter la complexité, et ont été appliquées avec succès au LMSSC pour la localisation de sources sonores, la reconnaissance vocale et le suivi de drones. Leur utilisation dans une architecture de type encodeur-décodeur telle qu'un U-Net avec des entrées audio brutes dans le domaine temporel pourrait améliorerconsidérablement la qualité de la parole capturée à l'aide de microphones non conventionnels.

fleche A télécharger ou OuvrirTélécharger le document complet présentant ce sujet de thèse et le contact pour l'envoi de la candidature

Sujet de thèse #2 : Évaluation des approches hybrides basées sur des simulations numériques et de l’intelligence artificielle pour optimiser la conception de l’aérodynamique d’automobile

Structures d'accueil : Laboratoire Modélisation mathématique et numérique (M2N) et Stellantis

Objectifs

L’objectif des travaux de thèse est d’évaluer le potentiel des méthodes IA pour l’optimisation de latrainée aérodynamique automobile.

Cette optimisation portera sur des variations du design extérieur de la 508, incluant les boucliersavant/arrière, le galbe des flancs, et les galbes du pavillon et de la lunette. La CAO de ce véhicule est déformable selon un grand nombre de paramètres de l’ordre de 200. Les contraintes associées aux prestations présentées ci-dessous, seront également prises en compte :

  • La stabilité dynamique du véhicule, qui requiert des niveaux de portances SCz suffisants pour assurer un appui aérodynamique en assiette « haute vitesse » et en assiette « phase de freinage »,
  • Le refroidissement des freins, qui nécessite un arrosage en air suffisant, sur disques et étriers, et
  • Le style de la voiture qui doit rester attractif.

fleche A télécharger ou OuvrirTélécharger le document complet présentant ce sujet de thèse et le contact pour l'envoi de la candidature

Sujet de thèse #3 : Approche hybride simulation-apprentissage pour l’interaction fluide-structure dans un contexte industriel

Structures d'accueil : Laboratoire Modélisation mathématique et numérique (M2N) avec Altair

Le but principal de cette thèse est de construire un couplage simulation/apprentissage (générique et adaptable à des outils pré-existants) pour prédire à moindre coût l’évolution temporelle des champs fluides et solides dans une configuration similaire à celleproposé par Chakraborty et al [Chakraborty et al.] (figure ci-dessous) : on cherchera ainsi à modéliser le couplage entre un écoulement de fluide instationnaire et une membrane déformable placée à l’intérieur d’un canal. Les outils numeriques utilisés dans le cadre de la thèse seront Altair Acusolve pour la partie fluide et Altair Optistruct pour la mécanique des solides (figure page 2). Les deux solveurs utilisent la méthode des éléments finis pour résoudre les EDP concernées. L’outil developé devra être en capacitéd’interagir avec n’importe quel solveur existant.

Les simulations des couplages fluide-structure nécessitent beaucoup de ressources informatiques, par- fois à cause de la taille du domaine fluide, parfois du fait des problèmes de convergence du problème structurel. Une des stratégies possible pour accélérer les calculs est de réduire le nombre de dégrés de liberté par des approches dites de réduction de modèles. Initialement développé pour l’analyse des écoule- ments turbulents [Schmid], la méthode Dynamic Mode Decomposition permet par exempled’identifier un système dynamique réduit en utilisant uniquement des données issues de simulation ou de mesures [De Vuyst & Villon]. De façon complémentaire aux approches classiques de réduction, les méthodes d’apprentissage profond (deep learning) permettent de relier directement les entrées d’une fonction à ses sorties sans connaître véritablement l’expression de cette fonction (à condition de disposer d’une quantité suffisante des données).

Dans le cadre de ces travaux, nous nous intérésserons aux approches récentes intégrant des propriétés physiques dansl’apprentissage [Daniel et al, Raissi et al.]. Le but sera ensuite de coupler ces approches aux modèles réduits pour créer uneplateforme de calcul intensif (HPC) pour la simulation des interac- tions fluide-structure.

fleche A télécharger ou OuvrirTélécharger le document complet présentant ce sujet de thèse et le contact pour l'envoi de la candidature

Le calendrier

AHEAD calendrier