évènements / actualités

Cette thèse modélise et analyse des systèmes socio-environnementaux complexes, une démarche motivée par l'urgence de l'action collective face au changement climatique. L'approche adoptée est multi-échelle (au sens spatial), allant du niveau stratégique macroscopique lors des négociations climatiques au niveau microscopique des dynamiques d'opinion individuelles. La thèse s'articule en trois axes principaux. Premièrement, la théorie des jeux est appliquée à la modélisation des négociations climatiques. Deuxièmement, l'étude du couplage entre la dynamique d'opinion et l'état de l'environnement révèle l'émergence de bifurcations et d'oscillations. Troisièmement, ce manuscrit se concentre sur l'analyse des dynamiques d'opinion sur des réseaux d'influence à travers le modèle que nous proposons : Continuous Opinion Signaled Action (COSA). Ce modèle capture des interactions non-linéaires où les agents communiquent via une fonction de signal. Nous démontrons les propriétés fondamentales du système en liant son analyse à celle d'un système unidimensionnel. Nous établissons les conditions de synchronisation complète et mettons en évidence un seuil spectral qui lie la topologie du réseau à la fonction de signal. Au-delà de ce seuil, nous caractérisons la formation de clusters d'opinion, que nous distinguons en deux catégories : parfaits et imparfaits. La synchronisation locale parfaite est conditionnée par des symétries structurelles du réseau. En l'absence de telles symétries, nous introduisons une nouvelle définition pour les clusters, dits imparfaits, et démontrons leur stabilité entrée-état face aux perturbations du reste du réseau.

Le 20 mars dernier, plus de 110 personnes ont eu l'opportunité de découvrir la première représentation de la pièce de théâtre-débat Il ne faut pas confondre la radiothérapie avec un coucher de soleil. Ce spectacle grand public qui mêle humour, émotions et questionnements autour des tumeurs cérébrales a été présenté dans le cadre de la Semaine du cerveau. Co-écrite par Joël Daouk, ingénieur de recherche au laboratoire et Amélie Aubertin, fondatrice et metteuse en scène de la compagnie Impavide, la pièce suit le parcours d’un couple confronté à la maladie et propose un regard accessible sur les dernières avancées scientifiques pour le traitement du cancer du cerveau. Les échanges informels avec le public après la représentation ont été particulièrement riches, donnant lieu à des questions et discussions autour de cette maladie, encore trop peu méconnue. Ce format original, oscillant entre science et théâtre, favorise le dialogue entre les chercheurs et le grand public sur les progrès de la recherche et les dernières innovations thérapeutiques. La prochaine représentation aura lieu samedi 30 mai à 20h salle Michel Dinet à la Ferme du Charmois de Vandoeuvre-lès-Nancy à l'occasion de Mai en gris, le mois de sensibilisation dédié aux tumeurs cérébrales. L'entrée est libre et gratuite dans la limite des places disponibles.  La pièce sera également jouée à Reims mercredi 27 mai 2026 en collaboration avec l'association Plus Cérébrale que nous tumeur.

Konstantin Usevich, Chargé de recherche CNRS du département BioSiS, est le coordinateur scientifique du nouveau projet sur l’intelligence artificielle dénommé TENSOR4ML – TENSOR methods FOR mastering modern Machine Learning. Le déploiement de grands modèles d’IA est l’un des défis de la recherche en IA qui sera au centre des travaux de TENSOR4ML. Pendant 4 ans, une équipe pluridisciplinaire développera de nouveaux modèles d’IA frugaux basés sur l’approximation de rang faible des tenseurs dans des formats tensoriels novateurs, en tenant compte des particularités des applications, de la mise en œuvre et des contraintes matérielles.   Le projet a pour but de libérer tout le potentiel des méthodes tensorielles pour la compression et l’entraînement efficace des modèles d’IA modernes.   En d’autres termes, les recherches consisteront à proposer de nouveaux algorithmes d’apprentissage et d’inférence basés sur des mécanismes tensoriels bien maîtrisés, avec une faible complexité et des exigences en matière de données. Un des enjeux consiste à comprendre l’interaction entre la compression de rang faible et les performances des réseaux neuronaux afin de choisir les meilleures architectures et stratégies d’apprentissage. Pour accélérer l’apprentissage et répondre aux besoins des applications à haute dimension dans les domaines scientifiques et de l’IA générative, les chercheurs utiliseront des calculs haute performance. Sur le volet sociétal, les travaux menés dans le cadre de ce projet visent à réduire la consommation d’énergie et les besoins de stockage des méthodes d’IA actuelles et de les rendre accessibles à une communauté plus large.   Le consortium du projet est composé du laboratoire CRAN, du laboratoire de Mathématiques Jean Leray, d’INRIA Bordeaux et Grenoble. Il mobilise une quinzaine d’experts en apprentissage automatique, en théorie de l’approximation, en analyse matricielle et tensorielle, en optimisation et en calcul haute performance. L’équipe-projet SiMul du département BioSiS, dont des axes principaux de recherche sont les modèles tensoriels de rang faible en IA et la science des données, interviendra à toutes les étapes du projet. Elle sera représentée par Konstantin Usevich et Ricardo Borsoi, tous deux Chargés de recherche CNRS.   Financé dans le cadre de l’appel à projet Mathématiques de l’apprentissage profond du Programme et Equipements Prioritaires de Recherche -PEPR Intelligence Artificielle lancé en 2024, le projet débutera au 1er avril 2026.   Voir la page web du projet : www.pepr-ia.fr/projet/tensor4ml-2