80 Prime : six projets lauréats de l'INS2I en 2020

Distinctions

Le CNRS a récemment annoncé les lauréats de son appel à projets 80 Prime, mis en place à l'occasion de son quatre-vingtième anniversaire par la MITI (Mission pour les initiatives transverses et interdisciplinaires), dont six projets sélectionnés sont portés par des chercheuses et chercheurs issus du champ disciplinaire de l'INS2I. Présentation des projets lauréats de l'INS2I.

OrionStat : méthodes statistiques pour l’inversion de modèle et distribution spatiale des propriétés physico-chimiques du nuage moléculaire Orion B

Pierre Chanais
© Xavier Pierre / CNRS

Porteur du projet : Pierre Chainais, chercheur au CRIStAL

Instituts associés : INS2I, INSU

Résumé : Les nouveaux détecteurs millimétriques en astrophysique fournissent des masses de données qu’il n’est plus possible d’analyser avec les méthodes classiques. De plus, les modelés numériques utilisés pour interpréter ces observations produisent eux-mêmes de grands volumes de données, hétérogènes et en grande dimension. L’interprétation des observations de régions de formation stellaire avec les modèles de référence ne peut se faire qu’en inventant de nouvelles méthodes de traitement statistique du signal et de machine learning. Ce projet vise à̀ surmonter deux verrous : 1) pouvoir résoudre des problèmes inverses sur des millions de pixels et parfois peu contraints, 2) réussir à dé- mélanger dans les observations interstellaires et extragalactiques les composantes émettrices pour estimer les paramètres physiques individuels. Il s’appuie sur un Large Program du TGIR IRAM, Orion- B. Les méthodes seront publiques via l’un des services nationaux d’observations de l’INSU.

R2-P2 : analyse de données multi-modales pour les Pathologies complexes par la conception et l’implémentation de Protocoles Reproductibles et Réutilisables

Sarah Cohen
© Sarah Cohen-Boulakia

Porteuse du projet : Sarah Cohen-Boulakia, chercheuse au LRI

Instituts associés : INS2I, INSB

Résumé : L’étude de pathologies telles les anévrismes intracrâniens nécessite l’utilisation d’une grande variété́ de données et la conception de protocoles d’analyse complexes. La diversité́ de leurs implémentations rend leur maintenance et partage difficile et limite la confiance des biologistes dans les données produites. Reproduire et réutiliser les protocoles est pourtant crucial pour comparer systématiquement les résultats biologiques, adapter des protocoles à de nouvelles problématiques et répondre aux exigences des plans de gestion de données. R2-P2 fournit (i) une large bibliothèque de protocoles organisés, (ii) un module de conception et d’exécution de protocoles reproductibles, réutilisables et citables (conception d’algorithmes d’indexation et de recherche efficace de motifs dans les graphes formés par les workflows implémentant les protocoles), (iii) une évaluation de l’approche sur de nouveaux jeux de données et (iv) un ensemble de critères FAIR pour les protocoles.

MYO-xIA : IA explicable pour la classification intégrée et la prédiction des myopathies congénitales

Pierre Collet
© Pierre Collet

Porteur du projet : Pierre Collet, chercheur à i-Cube

Instituts associés : INS2I, INSB

Résumé : Le diagnostic différentiel précoce des différentes myopathies congénitales (MC) représente un défi majeur et pourrait être grandement amélioré́ en combinant les données cliniques (symptômes), génétiques/génomiques (séquences) et histologiques (images/rapports) de la cohorte de référence MyoCapture, qui comprend 1200 individus dont l'ensemble des données a récemment été́ intégré́ dans la base de connaissance INEX-MED. Dans ce cadre, nous proposons d'apprendre de la base INEX-MED pour développer un modèle prédictif explicable, MYO-xIA fondé sur les systèmes de classeurs adaptatifs BACS (Behavioral Anticipatory Classifier System) couplé à des réseaux neuronaux profonds. MYO-xIA sera dédiée au diagnostic différentiel des MC sur la base des symptômes du patient, afin d’orienter les analyses génétiques/génomiques et/ou les explorations cliniques/histologiques complémentaires souvent invasives et coûteuses, améliorant ainsi la prise en charge des patients.

TrAp : transfert d’apprentissage intra et inter sujets en interfaces cerveau-machine non-invasives

Marco Congedo
© Marco Congedo

Porteur du projet : Marco Congedo, chercheur au Gipsa-Lab

Instituts associés : INS2I, INSB

Résumé : Les interfaces cerveau-machine (ICM) utilisant l’électroencéphalographie (EEG) sont porteuses de grandes promesses pour populations de patients, que ce soit dans un objectif de contrôle ou de réhabilitation. Cependant un obstacle majeur à̀ leur efficacité́, leur robustesse et donc à̀ leur diffusion, est la variabilité́ physiologique des signaux, d’un patient à un autre, mais aussi d’un jour à l’autre chez un même patient. Ce projet multidisciplinaire vise à̀ innover méthodologiquement pour relever ce défi, à l’aide d’approches Riemanniennes pour le transfert d’apprentissage. L’enjeu, grâce à une double expertise en mathématiques appliques et neurosciences, est de réaliser le saut qualitatif nécessaire pour sortir les ICM du laboratoire et véritablement répondre aux besoins des patients. Ce projet bénéficiera de plusieurs bases de données uniques qu’ont acquis les deux partenaires au cours des dernières années, chez sujets sains et patients, adultes et enfants et comportera aussi une phase de validation expérimentale des outils développés.

De la Loi au Code : spécification et Vérification des Algorithmes de Décision Publique pour Établir la Concordance entre le Code et la Loi

Hugo Gimbert
© Hugo Gimbert

Porteur du projet : Hugo Gimbert, chercheur au LaBRI

Instituts associés : INS2I, InSHS

Résumé :

Certaines lois prévoient un processus totalement ou partiellement automatisé de prise de décision publique. Elles ont dès lors vocation à̀ être partiellement mises en application par des programmes informatiques. C'est notamment le cas de la loi ORE et des lois fiscales. Dans le processus initié par la rédaction en langue juridique du texte de loi, traduit ensuite en algorithme et finalement implémenté́ sous forme de code informatique, une question s’impose : comment s'assurer que l'intention du législateur est pleinement respectée dans l'implémentation finale ?

Il existe différents outils mobilisables pour répondre à cette question, notamment la rédaction d’un cahier des charges informel ou semi-formel (pseudocode, logique déontique), l’utilisation d’exemples permettant de lever des ambiguïtés ou encore la spécification formelle et preuve de l’implémentation. Ces outils peuvent être potentiellement mis en œuvre aux différents stades législatifs (rédaction du projet de loi, vote, promulgation, rédaction et publication des décrets d’application) afin de baliser la transformation de la loi en code.

Ce projet propose d'étudier la mise en œuvre possible de ces outils dans deux cas où les algorithmes de décision publique ont été́ rendus publics : la loi ORE et lois fiscales pour l’imposition des particuliers.

MFDA : High-performance ensemble-variational data assimilation using multi-fidelity ensembles for Earth system modelling applications

Porteur du projet : Ehouarn Simon, chercheur à l'IRIT

Instituts associés : INS2I, INSU

Résumé : A well-established statistical variance-reduction technique, multilevel Monte Carlo (MLMC), will be used to improve the estimation of the prior and posterior error covariance matrix arising in ensemble- variational (EnVar) data assimilation (DA). In large scale applications, only a limited number of ensembles can be considered due to the computational cost of running high-fidelity models. MLMC efficiently combines ensembles of different fidelity levels, where the multiple fidelity levels may correspond to different spatial and/or time resolutions, as well as different arithmetic precision.

We aim at filling the gap in the literature by applying MLMC to large-scale Earth system modelling (ESM) applications such as atmospheric chemistry and ocean data assimilation and addressing important practical questions including the development and use of grid transfer operators and the combination of MLMC with covariance localisation techniques.

L'INS2I impliqué dans 8 autres projets

  • CELEBRATE : Contrôle d'écoulements turbulents par apprentissage automatique avec l'implication du LabSTICC (Ronan Fablet) et du LIMSI (Lionel Mathelin)
  • KinAImotion : Mining Big Data to extract kinematic patterns and predict emotional human motor behaviours avec l'implication du LORIA (Patrick Hénaff)
  • DYNACO : Dynamical control of a sensory-motor brain-machine interface avec l'implication du L2S (Antoine Chaillet et Maria Makarov)
  • SNAC-QC : Simuler les Noyaux Atomiques et leurs Constituants avec des ordinateurs quantiques avec l'implication du LIP6 (Frédéric Grosshans, Eleni Diamanti,  Marian Darkham et Elham Kashefi)
  • GeoTeleLing : Adaptations bioacoustiques et variations géolinguistiques d'un système de télécommunication naturel en danger - la parole sifflée - dans 3 langues avec l'implication du Gispa-lab
  • LangDev : De la perception de la parole chez le bébé à l’acquisition du vocabulaire chez l’enfant, un projet interdisciplinaire avec l'implication du LIS (Benoît Fabre et Abdellah Fourtassi)
  • CORRQUAKE : Temporal and spatial correlations in earthquakes dynamics : physical modelling and data analysis avec l'implication du LRI (Marc Shoenauer et François Landes)
  • CADOVI : Capteurs Autonomes pour l’auto-Diagnostic des Organismes VIvants avec l'implication du LIRMM (Serge Bernard, Fabien Soulier, Vincent Kerzerho)