L'objectif de l'équipe MALICE est de combiner des expertises complémentaires en apprentissage statistique et en interaction laser-matière afin de favoriser le développement de nouvelles contributions méthodologiques à l'interface du Machine Learning et de l'ingénierie de surface. Les membres de MALICE s'appuient sur des connaissances théoriques et algorithmiques solides en informatique, mathématiques appliquées, statistiques et optimisation. Ils bénéficient également de l'expertise apportée par les physiciens du laboratoire Hubert Curien dans la modélisation de l'interaction laser-matière permettant ainsi des avancées scientifiques conjointes. D'une part, l'ingénierie de surfaces soulève de nombreux défis en apprentissage automatique, notamment (i) un accès limité aux données d'entraînement et à une connaissance physique seulement partielle (typiquement sous la forme d'EDP non linéaires), (ii) la nécessité de dériver des garanties théoriques pour les modèles d'apprentissage informés par la physique et (iii) le besoin de transférer les modèles appris d'un système dynamique à un autre. D'autre part, les avancées réalisées en apprentissage automatique permettent de mieux comprendre la physique sous-jacente aux mécanismes d'interaction laser/rayonnement-matière, et ainsi de relever de nombreux défis sociétaux dans les domaines de l'espace, du nucléaire, de la défense, de l'énergie ou de la santé.

MALICE se situe à l'interface des mathématiques appliquées, de la théorie de l'apprentissage statistique, de l'optimisation, de la physique et de la simulation différentiable. Les trois axes suivants visent à relever des défis scientifiques tant d'un point de vue théorique (Axe 1) qu'algorithmique (Axes 2 et 3).

Axe 1 : Cadres théoriques pour l'apprentissage à partir de données et de connaissances théoriques

• Axe 1.1 : Mesures de complexité et bornes de généralisation
• Axe 1.2 : Généralisation en optimisation bi-niveaux

Axe 2 : Intégration et extraction de connaissances en ingénierie de surface

• Axe 2.1 : Apprentissage de transformations équivariantes robustes aux symétries
• Axe 2.2 : Modélisation parcimonieuse pour l'apprentissage à partir de peu de données et de connaissances partielles
• Axe 2.3 : Extraction de connaissances en ingénierie de surface guidée par l'apprentissage automatique

Axe 3 : Adaptation de domaines et apprentissage par transfert pour l'ingénierie de surface

• Axe 3.1 : Mesures de divergence entre dynamiques
• Axe 3.2 : Optimisation pour l'apprentissage par transfert
• Axe 3.3 : Modèles de diffusion, transport optimal et apprentissage par transfert

MALICE s'appuie sur un réseau de collaborations internationales à long terme pour aborder les questions scientifiques ciblées par l'équipe. Parmi celles-ci, et sans être exhaustif, nous pouvons citer des partenariats avec l'Université Laval (Canada) sur l'adaptation de domaine et la théorie PAC-Bayes, Mila (Canada) sur l'apprentissage à partir de tenseurs, University College London (Royaume-Uni) sur la théorie PAC-Bayes, CSML-IIT (Italie) et DIAG-Sapienza (Italie) sur l'optimisation bi-niveaux et l'apprentissage profond, KU Leuven (Belgique) sur l'adaptation au domaine, Université d'Alicante (Espagne) sur le transport optimal pour la reconstruction d'images 3D, Université du Maryland (États-Unis) sur l'apprentissage de grammaires de graphes, TU Delft (Pays-Bas) sur l'apprentissage des modèles graphiques, Université de Londres (Royaume-Uni) et Université d'Amsterdam (Pays-Bas) sur l'apprentissage d'automates, Haverford College (États-Unis) sur l'inférence grammaticale, etc.