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), de l’IJCLab (Physique), du L2S (Traitement de Signal), ainsi qu’avec le LIX et le 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

  • Article dans une revue

    Olivier Hudry, Ville Junnila, Antoine Lobstein. On Iiro Honkala’s contributions to identifying codes. Fundamenta Informaticae, In press. ⟨hal-04568130⟩

    GALaC

    Année de publication

  • Pré-publication, Document de travail

    Ylène Aboulfath, Dimitri Watel, Marc-Antoine Weisser, Thierry Mautor, Dominique Barth. Maximizing minimum cycle bases intersection. 2024. ⟨hal-04559959⟩

    GALaC

    Année de publication

    Disponible en libre accès

  • Communication dans un congrès

    Jérémy Fix, Stéphane Vialle, Remi Hellequin, Claudine Mercier, Patrick Mercier, et al.. Feedback from a data center for education at CentraleSupélec engineering school. 2022 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW), May 2022, LYON (Université Lyon 3), France. pp.330-337, ⟨10.1109/IPDPSW55747.2022.00065⟩. ⟨hal-04556247⟩

    ParSys

    Année de publication

  • Communication dans un congrès

    Vida Dujmović, Robert Hickingbotham, Jędrzej Hodor, Gwenaël Joret, Hoang La, et al.. The Grid-Minor Theorem Revisited. SODA 2024 – 2024 Annual ACM-SIAM Symposium on Discrete Algorithms, Jan 2024, Westin Alexandria Old Town, United States. pp.1241-1245, ⟨10.1137/1.9781611977912.48⟩. ⟨hal-04553168⟩

    GALaC

    Année de publication

    Disponible en libre accès

  • Article dans une revue

    Marcin Briański, Jędrzej Hodor, Hoang La, Piotr Micek, Katzper Michno. Boolean Dimension of a Boolean Lattice. Order, 2024. ⟨hal-04553148⟩

    GALaC

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Lech Duraj, Ross J. Kang, Hoang La, Jonathan Narboni, Filip Pokrývka, et al.. The $chi$-binding function of $d$-directional segment graphs. 2024. ⟨hal-04553176⟩

    GALaC

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Sylvain Chevallier, Igor Carrara, Bruno Aristimunha, Pierre Guetschel, Sara Sedlar, et al.. The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark. 2024. ⟨hal-04537061⟩

    AO, ParSys

    Année de publication

    Disponible en libre accès

  • Poster de conférence

    Filippo Gatti, Fanny Lehmann, Hugo Gabrielidis, Michaël Bertin, Didier Clouteau, et al.. Deep learning generative strategies to enhance 3D physics-based seismic wave propagation: from diffusive super-resolution to 3D Fourier Neural Operators.. European Geophysical Union General Assembly 2024, Apr 2024, Vienna, Austria. 2024, ⟨10.5194/egusphere-egu24-2443⟩. ⟨hal-04534286⟩

    ParSys

    Année de publication

  • Communication dans un congrès

    Hugo Gabrielidis, Filippo Gatti, Stéphane Vialle. Génération conditionnelle et inconditionnelle de signaux sismiques à l’aide de modèles de diffusion.. CSMA 2024 16ème Colloque National en Calcul des Structures, Association Calcul des Structures et Modélisation (CSMA), May 2024, Presqu’île de Giens (Var) Giens (Var), France. ⟨hal-04531795⟩

    ParSys

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Marc Baboulin, Simplice Donfack, Oguz Kaya, Theo Mary, Matthieu Robeyns. Mixed precision randomized low-rank approximation with GPU tensor cores. 2024. ⟨hal-04520893⟩

    ParSys

    Année de publication

    Disponible en libre accès