Lancé pour marquer l’anniversaire des 80 ans du CNRS en 2019, le programme 80|Prime soutient des « projets de recherche interdisciplinaires multi-équipes » dans le cadre de la Mission pour les initiatives transverses et interdisciplinaires (MITI). Pour la troisième édition comme pour les années précédentes, les 80 projets sélectionnés bénéficient d’un budget annuel maximal par projet de 30 000 euros par an sur deux ans. Présentation des projets lauréats rattachés à l'INS2I.
RXnanoBRAIN, Nanoparticule de design AGuIX® pour une radiothérapie des glioblastomes guidée par l'image
Porteuse du projet : Muriel Barberi-Heyob, chercheuse au CRAN
Instituts associés : INS2I, INP
Résumé : Ce projet vise à maximiser l’efficacité thérapeutique de nanoparticules (NPs) radiosensibilisantes contre le glioblastome généralement très agressif et infiltrant, ceci grâce à une maitrise plus précise du contourage de la zone à irradier et de la dose optimale de rayonnement X (RX). Malgré un traitement bien conduit, de nombreux patients atteints de glioblastome développent une récidive tumorale locale post-radiothérapie. En utilisant des NPs hybrides de design AGuIX®, le défi consistera à maximiser l’efficacité de la radiothérapie tout en préservant les tissus sains adjacents. Cette NP composée de chélates de gadolinium et de bismuth autorisera une imagerie tumorale à double modalités (IRM et TDM) et une potentialisation de la dose de RX déposée. L'étude dosimétrique s’appuiera sur des approches pré-cliniques originales à différentes échelles biologiques et s’adossera à des outils probabilistes telles que les simulations de Monte Carlo pour estimer en présence de NPs, et à partir des images recalées, les quantités d’électrons secondaires RX-induits dans le volume tumoral.
QUARTET, Couplage de modèles de chimie quantique et d'algorithmes haute performance pour l'exploration globale du paysage énergétique des systèmes atomiques et moléculaires
Porteur du projet : Juan Cortes, chercheur au LAAS-CNRS
Instituts associés : INS2I, INC
Résumé : Malgré les efforts considérables déployés depuis des décennies, il n'existe pas de méthode générale, fiable et efficace en termes de calcul pour explorer globalement et avec un haut niveau de détail le paysage énergétique des grands systèmes atomiques ou moléculaires. Des modèles théoriques et des méthodes de calcul sont donc nécessaires pour la caractérisation globale de ce paysage énergétique à partir duquel les propriétés physiques et chimiques des systèmes peuvent être extraites. Ce projet vise à progresser dans ce domaine par une combinaison synergique de modèles de chimie quantique et d'algorithmes performants issus de la robotique. Notre objectif est de développer une nouvelle approche méthodologique et les outils de calcul associés, qui seront suffisamment généraux pour être appliqués à divers systèmes dans différents domaines et rendus accessibles à la communauté scientifique. De plus, dans le cadre du projet, nous appliquerons les méthodes à l'étude de molécules d'intérêt en astrochimie et dans le contexte environnemental.
CARMEM, Modèles de Caractérisation par Apprentissage pour la Qualité des Technologies de Mémoires Émergentes
Porteur du projet : Patrick Girard, chercheur au LIRMM
Instituts associés : INS2I, INP
Résumé : Le test des mémoires à semi-conducteurs est actuellement basé sur l’utilisation d’algorithmes March ciblant des modèles de faute fonctionnels. Avec l’avancée des technologies, ces solutions deviendront bientôt insuffisantes pour couvrir efficacement les nouveaux défauts qui peuvent apparaître durant le processus de fabrication des mémoires émergentes. Une solution à ce problème est d’adapter les concepts de test Cell-Aware développés avec succès pour les circuits logiques aux mémoires émergentes de type MRAM (Magnetic RAM). Le but du projet CARMEM est de développer des modèles de caractérisation pour le test et le diagnostic des cellules-portes (cellules élémentaires, portes logiques simples et complexes) extraites de la description d’une mémoire MRAM, et permettre ainsi un changement de paradigme en remplaçant le test fonctionnel de ces mémoires par un test structurel. Compte tenu de la multitude et de la diversité des cellules-portes pour la technologie mémoire considérée (MRAM), des techniques d’apprentissage seront utilisées pour automatiser le processus de génération des modèles.
DECORUS, Infrastructures distribuées d'edge computing alimentées uniquement par des sources d’énergie renouvelable
Porteuse du projet : Anne Cécile Orgerie, chercheuse à l'IRISA
Instituts associés : INS2I, INSIS
Résumé : Le edge computing constitue une évolution majeure vers une décentralisation massive des infrastructures de l'Internet. Ce changement s'accompagne d'une croissance du nombre de ressources de calcul et de stockage et d'une plus grande hétérogénéité de ces ressources, d'où une complexité accrue de la gestion efficace de ces infrastructures. Pour limiter l'impact énergétique déjà alarmant de ces infrastructures clés de l'Internet, nous souhaitons explorer l'utilisation de sources d’énergie renouvelable dans ce contexte fortement distribué, sur des infrastructures qui localement sont de petite taille. L'objectif est de modéliser et d'étudier sous quelles conditions (trafic, charge de calcul, dimensionnement global de l’infrastructure, taille des sites, coût financier, etc.) une alimentation uniquement par des sources d’énergie renouvelable est réalisable pour une infrastructure de edge computing ainsi que les implications de cette alimentation en termes de gestion distribuée des ressources et d’utilisation de stockage d’énergie (par exemple batteries électrochimiques).
ACLIM, Apprentissage statistique pour les modèles climatiques de convection
Porteuse de projet : Bérengère Podvin, chercheuse au LISN
Instituts associés : INS2I, INSU
Résumé : La compréhension du changement climatique nécessite la mise au point d’approches innovantes pour la modélisation du climat à l’échelle locale, comme notamment celle des phénomènes de convection atmosphérique à fort impact sociétal. L’objectif de la collaboration entre le LISN (INS2I) et le LSCE (INSU) est de permettre une amélioration significative de la modélisation en s’appuyant sur des méthodes d’apprentissage statistique pour identifier les dépendances sous-jacentes aux données observées. Notre démarche consistera en trois étapes. Il s’agira d’abord d’adapter les méthodes probabilistes, telles que l’allocation latente de Dirichlet, à l’analyse de données climatiques. Nous chercherons ensuite à valider les résultats obtenus et à en proposer une interprétation physique en les confrontant notamment avec d’autres techniques. Dans la dernière étape, les connaissances acquises seront intégrées dans les modèles de climat. Ce travail sera soutenu par un contrat doctoral.
PROOHMICS, Production optimisée de H2 par la culture des microalgues en conditions solaires
Porteuse du projet : Sihem Tebbani, chercheuse au L2S
Instituts associés : INS2I, INSIS
Résumé : Dans le cadre du défi relatif à la transition énergétique, la valorisation de la biomasse pour la production d’un biocarburant en remplacement des carburants fossiles représente un enjeu majeur. Plus spécifiquement, il a été démontré que le bio-hydrogène représente une solution efficace, de par son potentiel énergétique et la faible empreinte carbone lors de sa combustion. Dans ce projet, l’objectif sera donc de proposer un procédé de production d’hydrogène par des micro-organismes photosynthétiques qui représente une voie à fort potentiel de production d’une source d’énergie décarbonée par la conversion de l’énergie solaire en énergie chimique par voie biologique, en conditions autotrophes. L’optimisation de la production semi-continue de l’hydrogène sera réalisée via la conception et l’implémentation expérimentale d’un système avancé de commande combinant des systèmes de mesure innovants, des modèles métaboliques et des algorithmes d’estimation et de commande avancée.
L'INS2I impliqué dans 11 autres projets
DECIDE : Conception et réalisation d’un outil décisionnel pour l’analyse de données en masse en chimie des substances naturelles, qui implique le LAMSADE (Meltem Oztruk et Olivier Cailloux).
CASSIDI : CAlculS fiables pour la phySIque des Deux Infinis, qui implique le LIP6 (Fabienne Jezequel).
AI4IMSKA : Hybrid AI for interference mitigation in SKA data, qui implique l'IRIT (Nicolas Dobigeon).
EcoSensor : Déploiement de capteurs environnementaux connectés, autonomes et reconfigurables pour l'étude intégrée des écosystèmes, qui implique le LAAS-CNRS (Jean-Yves Fourniols, Christophe Escriba et Georges Soto Romero) et l'IRIT (Rahim Kamici, André-Luc Beylot, François Thiebolt).
GEPACI : Gestes et parole en contexte interactionnel, qui implique le LORIA (Slim Ouni, Vincent Colotte, Dominique Fohr, Patrick Hénaff).
ED-AIM : Ethical design for artificial intelligence models in patient management and treatment decisions, qui implique l'IRISA (Thomas Guyet)
ChemoMaps : Global Chemodiversity Mapping, qui implique l'IRIT (Guillaume Cabanac, Gilles Hubert, Jacques Thomazeau).
DataTAP-ESR : Science des données et transformations de l’action publique dans l’enseignement supérieur et la recherche, qui implique iCube (Julien Gossa)
PARADISE : Les Pharmacopées Anciennes au service de la création des médicaments de demain, qui implique iCube (Agnès Braud, Xavier Dolques, Nicolas Lachiche, Florence Le Ber)
CLOCK : Improving clinical omics applications using k-mer approaches, qui implique le LIRMM (Alban Mancheron)
NatUrVi : L'expérience de la nature dans les environnements urbains virtuels : analyses et applications à la conception de projets urbains durables, qui implique le LS2N (Franck Mars, Camilo Charron, Isabelle Milleville-Pennel)
2 thèses MITI 2021
Données COVID - Crédibilité et diversité des données dans les systèmes d'intégration : application aux données de santé, portée par Mohand-Said Hacid (LIRIS), Farouk Toumani (LIMOS), Pierre Zweigenbaum (LISN)
Inégalités éducatives - XLA4Equity : Explicabilité des learning analytics pour réduire les inégalités éducatives, portée par Julien Broisin (IRIT)
