Un mandat d’Aspirant FNRS pour François Rozet afin d’étudier l’inférence basée sur les simulateurs pour les systèmes dynamiques de grande échelle



Le parcours de François Rozet

François Rozet entame son parcours d’ingénieur civil à l’Université de Liège (ULiège) en septembre 2016. Initialement intéressé par la Physique et la mécanique, François choisi ses cours parmi les options de mécanique et de Physique mais se rend compte en dernière année de Bachelier qu’il est plus passionné par ses quelques cours d’informatique. Il décide donc de suivre et passer les examens de plusieurs cours d’informatique pendant les vacances d’été afin d’accéder au Master Ingénieur Civil en Science des Données, qu’il intègre en septembre 2019.

François est diplômé de Master Ingénieur civil en science des données en septembre 2021 avec la plus grande distinction et les félicitations du jury. Il décroche les prix du meilleur travail de fin d’étude de l’AIM (Association des Ingénieurs de Montefiore) et de l’AILg (Association des Ingénieurs diplômés de l’Université de Liège) et NRB.

Après l’obtention de son diplôme, il devient directement assistant au sein du laboratoire d’Intelligence Artificielle de Gilles Louppe, chargé de cours, à l’ULiège et entame une thèse de doctorat. En octobre 2022, François devient aspirant du FNRS sous la supervision de Gilles Louppe ce qui lui permet de dégager plus de temps pour sa recherche.

 

Des développements méthodologiques vers une étude de cas en physique atmosphérique

L’objectif de la recherche de François est de repousser les frontières de l'inférence basée sur les simulateurs en concevant de nouveaux algorithmes d'inférence supportés par l'apprentissage profond et adaptés aux simulations en haute-dimension décrites comme des modèles de Markov cachés (MMCs). Un MMC est un modèle probabiliste qui décrit l'évolution stochastique de l'état non-observable d'un système ainsi que des observations bruitées ou indirectes de ces états. L'application principale des MMCs est l'inférence de l'état du système à n'importe quel temps passé, présent ou futur, étant donné une séquence d'observations bruitées. Des systèmes dynamiques comme les atmosphères, les océans ou même la Terre sont souvent modélisés comme des MMCs dont les observations sont des mesures effectuées par des capteurs locaux ou des satellites. Malheureusement, la complexité et la haute dimensionnalité de ces systèmes rendent l'inférence très difficile sans poser des hypothèses de modélisation très contraignantes. Ce projet de recherche concerne le développement de nouveaux algorithmes d'inférence supportés par l'apprentissage profond pour les simulations de systèmes dynamiques complexes et de grande échelle. En particulier, notre objectif principal est de résoudre le problème central d'inférence qu'est le filtrage Bayésien lorsque le modèle scientifique est spécifié comme un MMC dont les modèles de transition et d'observation sont implémentés par des simulations informatiques quelconques.

Bien que le but du travail de François soit profondément ancré dans l'apprentissage profond et l'inférence approximative, ses applications sont principalement conçues pour tous les domaines de la science et de l'ingénierie qui reposent sur des modèles scientifiques définis comme des modèles de Markov cachés, allant de la météorologie à la robotique en passant par la démographie. C’est ainsi que François séjournera un peu moins d’un an au sein de l’Université d’Oxford afin de réaliser une étude de cas en physique atmosphérique.

 

Un séjour de recherche au sein de l’Université d’Oxford (Royaume-Uni)

Les développements méthodologiques de François seront complétés par un séjour de recherche de 8 mois au sein du département de Physique (sous-département « Atmospheric, Oceanic and Planetary Physics ») du Dr Duncan Watson-Parris , spécialisé en physique atmosphérique et en apprentissage automatique et le département de Computer Science (sous-département «  Artificial Intelligence and Machine Learning » du Dr Atılım Güneş Baydin de l'Université d'Oxford. Cette collaboration permettra d’évaluer les algorithmes de filtrage basés sur la simulation sur des modèles atmosphériques globaux. François se consacrera à exploiter ses développements méthodologiques préalables dans le but de valider de nos nouveaux algorithmes de filtrage basés sur la simulation sur un modèle de système dynamique issu des sciences physiques et réputés pour leur difficulté d'inférence en raison de leur dynamique complexe, de leur très grand espace d'état et de leurs observations éparses. L’objectif est de pouvoir construire une preuve de concept sur un modèle atmosphérique.

Share this news