Le PEPR IA étend ses horizons : où en est-on après quasiment un an ?
Le premier appel à projets du PEPR dédié à l'intelligence artificielle est en cours. Rappel de l'environnement dans lequel il vient s'inscrire.
Peut-on étudier les "mathématiques de l'apprentissage profond" avec 6 M€ ? Tels sont en tout cas le thème du premier appel à projets du PEPR IA... et l'enveloppe qui lui est dédiée.
L'AAP court jusqu'au 4 février 2025. Il est destiné à financer, par des tickets de 600 k€ à 1 M€, des projets de 36 à 48 mois. Ces derniers doivent se positionner sur le perfectionnement des techniques d'IA générative et/ou de l'apprentissage géométrique (qui permet d'aborder des données avec des structures non euclidiennes de type graphe, surface et nuage de points).
Une première extension du PEPR IA
L'action PEPR (Programmes et équipements prioritaires de recherche) fit ses débuts en 2021. Elle est consacrée, au sein du plan France 2030, au financement de la recherche fondamentale. Son volet intelligence artificielle fut officiellement lancé en mars 2024 avec, pour le piloter, le CNRS, le CEA et Inria. Il est doté de 73 M€ sur 6 ans.
Sur ce budget, 43 M€ sont censés alimenter 9 projets sélectionnés en amont et rassemblant des "communautés de recherche structurées autour de thématiques bien définies". Ils se répartissent sur trois axes :
- IA frugale et embarquée (4 projets)
- IA de confiance et distribuée (4 projets)
- Fondements mathématiques de l'IA (1 projet)
Sur les 30 M€ restants, 4 M€ iront à la gouvernance et à l'animation. 13 M€, aux chaires d'attractivité. Le même montant sera attribué à des appels à projets tel que celui en cours, spécifique à l'axe "Fondements mathématiques".
PDE-AI, l'autre projet "mathématique" du PEPR IA
PDE-AI (Partial Differential Equations for Artificial Intelligence) est focalisé sur l'interface entre l'IA et l'analyse numérique, le contrôle optimal et le transport optimal.
Il s'agit d'avancer sur des problèmes comme :
- La dynamique de l'entraînement des réseaux de neurones
Par exemple, par l'étude des propriétés d'agrégation des transformeurs. - Les architectures très profondes stables
Par exemple, en développant une branche de la théorie du contrôle. - Les méthodes d'échantillonnage en profondeur
Par exemple, en concevant des méthodes de transport optimal pour la quantification d'ensembles de données en haute dimension.
Les membres de PDE-AI |
Université Paris Sciences et Lettres, Université Paris-Dauphine, CNRS, Inria (Nice), Université Paris-Cité, Sorbonne Université, Université Paris-Saclay, Institut national polytechnique de Toulouse, Université de Bordeaux, CREST-GENEST (ENSAE), Université de Strasbourg, Université Paris 1 Panthéon-Sorbonne, École Nationale de l'aviation civile, Université Toulouse Capitole, Université Toulouse 3 Paul Sabatier, Université de Lyon 1, INSA Lyon, Université de Côte d'Azur |
Les 4 projets "IA frugale et embarquée"
AdaptING
Intitulé de ce projet : "Architectures adaptatives pour l'IA embarquée". Parmi ce qu'il explorera :
- Apprentissage sur puce (au plus près du capteur pour limiter le transfert de données)
- Architectures matérielles réduisant le transfert de données en la mémoire et les calculateurs
- Développement de stratégies de tolérance aux fautes
Les membres d'AdaptING |
CEA, École Centrale de Lyon, Sorbonne Université, Université de Rennes, Université de Nantes, Université Bretagne Sud, CNRS, INSA Lyon, École supérieure de physique-chimie électronique de Lyon |
EMERGENCES
Intitulé de ce projet : "Modèles émergents proches physique pour l'IA embarquée". Il abordera notamment :
- Réseaux neuronaux et modèles événementiels bio-inspirés
Il s'agira à la fois de démontrer la maturité croissante des réseaux de neurones à impulsion et d'exploiter la parcimonie intrinsèque aux capteurs événementiels. - Modèles inspirés de la physique disruptive
Sur ce point, EMERGENCES étudiera des méthodes d'entraînement plus efficaces pour les réseaux de neurones bayésiens, en explorant, en particulier, des algos inspirés du cerveau. - Approches et algorithmes pour le matériel d'apprentissage profond en périphérie
Les membres d'EMERGENCES |
CEA, CNRS, Université Côte d'Azur, Université Aix-Marseille, Université de Bordeaux, Université de Lille, Institut national polytechnique de Bordeaux, École centrale Lyon |
HOLIGRAIL
Intitulé de ce projet : "Approches holistiques pour les architectures plus efficaces pour l'inférence et l'apprentissage". En anglais, "HOListic approaches to GReener model Architectures for Inference and Learning", d'où l'acronyme.
Sur la liste des missions :
- Concevoir des représentations de nombres plus compactes et plus efficaces
- Développer des algos qui améliorent la dispersion, la compacité du codage et les transformations tensorielles
- Développer des mécanismes matériels optimisés pour la sparsité, la quantification extrême et les représentations des nombres ad hoc
Il est prévu des résultats en libre accès (logiciels et matériels) qui s'intégreront aux frameworks existants d'apprentissage profond.
Les membres de HOLIGRAIL |
Université de Rennes, CEA, Inria, INSA Lyon, Grenoble INP, CNRS |
SHARP
Intitulé de ce projet : "Principes théoriques et algorithmiques de l'apprentissage frugal". Il cherchera à :
- Faire évoluer les architectures en exploitant des pistes comme la factorisation parcimonieuse et la réduction de dimensionnalité polyvalente
- Combiner l'apprentissage traditionnel avec les connaissances en termes de symétries, de modèles probabilistes et de représentations apprises, afin de réduire la taille des modèles et la quantité de données requises
- Développer des modèles qui apprennent de façon similaire aux systèmes biologiques, à partir de données limitées, hétérogènes, incomplètes voire corrompues
Les membres de SHARP |
Inria, Université Paris Dauphine-PSL, École des Ponts ParisTech, CNRS, CEA, Sorbonne Université, ENS Lyon, ESPCI Paris. |
Les 4 projets "IA de confiance et distribuée"
CAUSALI-T-AI
Intitulé de ce projet : "La causalité au service de la robustesse et de l'explicabilité des algorithmes d'intelligence artificielle". Ses missions toucheront principalement à :
- L'étude de l'apprentissage des représentations causales
- La combinaison de l'inférence causale et de l'adaptation de domaine (méthodes pour adapter des modèles causaux d'un domaine source à des domaines cibles)
- Des méthodes pour répondre à des questions contrefactuelles dans des environnements incertains
Les membres de CAUSALI-T-AI |
Université Grenoble Alpes, Université de Lorraine, Université Paris-Saclay, CNRS, INRIA |
FOUNDRY
Intitulé de ce projet : "Les fondements de la robustesse et de la fiabilité en intelligence artificielle". Dans les grandes lignes, il explorera :
- Le développement d'algos et de méthodologies pour surmonter les insuffisances des données d'apprentissage
- Le renforcement des modèles contre les attaques adversariales au moment de l'inférence
- L'adaptation de cet modèles et algorithmes lorsqu'ils interagissent dans des environnements réels
Les membres de FOUNDRY |
CNRS, Université Paris-Dauphine, INRIA, Institut Mines Télécom, École normale supérieure de Lyon, Université de Lille, ENSAE Paris, École Polytechnique Palaiseau |
REDEEM
Intitulé de ce projet : "Apprentissage automatique résilient, décentralisé et respectueux de la vie privée". Il explorera des approches distribuées pour aller au-delà de l'apprentissage fédéré actuel. Cela comprendra, entre autres :
- Aspects algorithmiques de l'apprentissage décentralisé dans un environnement sans adversaire
- Étude des nouvelles attaques byzantines et attaques contre la confidentialité, ainsi que des algorithmes d'atténuation
Il doit en résulter des bibliothèques logicielles open source, des jeux de données et des benchmarks.
Les membres de REDEEM |
CEA, INRIA, CNRS LAMSADE, École Polytechnique |
SAIF
Intitulé de ce projet : "Sûreté de l'intelligence artificielle investiguée par les méthodes formelles". Parmi les pistes qu'il étudiera :
- Développer des méthodes formelles pour spécifier les comportements des systèmes basés sur l'apprentissage automatique
- Concevoir des méthodologies pour étendre la vérification formelle aux systèmes à grande échelle
- Utiliser des méthodes formelles pour synthétiser automatiquement des composants d'apprentissage automatique à partir de spécifications éprouvées
Les membres de SAIF |
CEA, CNRS, Inria, Université de Bordeaux, Université Paris-Saclay, Institut polytechnique de Paris, CentraleSupélec, École nationale supérieure de Paris-Saclay, Institut national polytechnique de Bordeaux |
Illustration générée par IA
Sur le même thème
Voir tous les articles Data & IA