AAC

Algorithmes, Apprentissage et Calcul

L’algorithmique et le calcul touchent à tous les aspects théoriques et pratiques, logiciels et matériels de l’informatique. Depuis une décennie, l’intelligence artificielle et l’apprentissage s’intéressent à la conception automatique d’algorithmes et de processus de calcul, guidée par les données, l’expert, l’utilisateur et/ou l’environnement.

Les principaux axes de recherche du département concernent les modèles de calcul et leur robustesse (du calcul haute performance au calcul quantique en passant par les réseaux neuronaux et les algorithmes répartis), les architectures de traitement (graphes, traitement distribué, synchrone ou asynchrone), et les méthodes (e.g., optimisation continue, combinatoire, stochastique ; apprentissage statistique et théorie de l’information). Par construction, ces axes de recherche font l’objet de collaborations avec les autres départements, en particulier Science des Données et Mécanique des Fluides-Énergétique. L’analyse et la conception des modèles et des processus font une large part aux approches mathématiques (du discret et du continu, en passant par les probabilités, les statistiques et la combinatoire) et de la physique statistique (en particulier sur les phénomènes de transition de phase des systèmes complexes), en lien avec les équipes du LMO et du CMAP (Maths et Maths. Appli), du LAL (Physique), du L2S (Traitement de Signal), ainsi qu’avec le LIX et le futur LMF (Méthodes formelles).

Les domaines d’applications comprennent le calcul scientifique (e.g., algèbre linéaire, calcul tensoriel, optimisation numérique, systèmes dynamiques, simulation d’algorithmes quantiques, mathématiques et physique computationnelles, systèmes d’équations différentielles), le calcul distribué (e.g., cloud, ordonnancement, monnaie virtuelle, informatique ubiquitaire, robots autonomes, circuits micro-biologiques), et l’analyse des données.

Coordination

Equipes de recherche du département

Actualités

Dernières publications

  • Pré-publication, Document de travail

    Cyril Furtlehner. Free Dynamics of Feature Learning Processes. 2022. ⟨hal-03878500⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Communication dans un congrès

    Wenzhuo Liu, Mouadh Yagoubi, David Danan, Marc Schoenauer. Multi-Fidelity Transfer Learning for accurate database PDE approximation. Neurips 2022 – Thirty-sixth Conference on Neural Information Processing Systems, Nov 2022, New Orleans, United States. ⟨hal-03878200⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Pré-publication, Document de travail

    Jérémy Guez, Guillaume Achaz, François Bienvenu, Jean Cury, Bruno Toupance, et al.. Cultural transmission of reproductive success impacts genomic diversity, coalescent tree topologies and demographic inferences. 2022. ⟨hal-03875721⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Communication dans un congrès

    Onofrio Semeraro, Remy Hosseinkhan Boucher, Amine Saibi, Michele Alessandro Bucci, Lionel Mathelin. Optimal control for shear flows using Reinforcement Learning. IUTAM Symposium on Data-driven modeling and optimization in fluid mechanics, Jun 2022, Aarhus, Denmark. ⟨hal-03854596⟩

    AO

    Année de publication 2022

  • Communication dans un congrès

    Rémy Hosseinkhan Boucher, Amine Saibi, Michele Alessandro Bucci, Onofrio Semeraro, Lionel Mathelin. Exploration strategies for control of chaotic dynamical systems using reinforcement learning. European Drag Reduction and Flow Control Meeting – EDRFCM 2022, Sep 2022, Paris, France. ⟨hal-03854602⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Communication dans un congrès

    Adrien Pavao, Isabelle Guyon, Zhengying Liu. Filtering participants improves generalization in competitions and benchmarks. (ESANN) 2022 – European Symposium on Artificial Neural Networks, Oct 2022, Bruges, Belgium. ⟨hal-03869648⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Pré-publication, Document de travail

    Francesco Saverio Pezzicoli, Guillaume Charpiat, François P. Landes. SE(3)-equivariant Graph Neural Networks for Learning Glassy Liquids Representations. {date}. ⟨hal-03868206⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Communication dans un congrès

    Matthieu Dorier, Romain Egele, Prasanna Balaprakash, Jaehoon Koo, Sandeep Madireddy, et al.. HPC Storage Service Autotuning Using Variational- Autoencoder -Guided Asynchronous Bayesian Optimization. 2022 IEEE International Conference on Cluster Computing (CLUSTER), Sep 2022, Heidelberg, France. pp.381-393, ⟨10.1109/CLUSTER51413.2022.00049⟩. ⟨hal-03864478⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Chapitre d'ouvrage

    Paola Tubaro. Social networks and resilience in emerging labor markets. E. Lazega, T.A.B. Snijders, R. Wittek. A Research Agenda for Social Networks and Social Resilience, Edward Elgar, pp.45-57, 2022, 978 1 80392 577 6. ⟨hal-03850444⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Pré-publication, Document de travail

    Romain Egele, Joceran Gouneau, Venkatram Vishwanath, Isabelle Guyon, Prasanna Balaprakash. Asynchronous Distributed Bayesian Optimization at HPC Scale. 2022. ⟨hal-03864504⟩

    AO

    Année de publication 2022

    Disponible en libre accès