Cross-disciplinary workshops
2 Cross-disciplinary workshops
Atelier de Modélisation Interdisciplinaire-Informatique Scientifique
(Aide à la conception et à la Mise en Oeuvre)- AMIIS (ACME)
Responsable : A. Dezetter
Basé sur les constats suivants :
- nombreux modèles et modélisateurs à HSM
- modèles « maison » : ATHYS, HDSM, KARSTMOD, SW2D, RNF ..
- autres modèles utilisés intensivement ou occasionnellement : GR, SWAT, HBV, IHACRES, SiSPAT, SURFEX, GLM, RS MINERVE …
- des langages informatiques multiples (Fortran, MATLAB, R, Delphi, Java, tcl/tk…) utilisés sur des systèmes d’exploitation divers (Windows (10, 7,..), Linux, ..)
- des besoins en calculs intensifs à mutualiser/développer
- des ressources pédagogiques internes à partager
- des collaborations internes à susciter
L’atelier est centré sur de l’animation et de la formation interne ouverte à tous les personnels d’HydroSciences. Il s’agira avant tout d’un lieu de partage et de diffusion, tout autant que d’informations sur les outils, méthodes et techniques informatiques entre les équipes.
Les objectifs :
L’objectif principal est de permettre le partage de ressources scientifiques, informatiques et pédagogiques autour des différentes approches de modélisation pratiquées à HydroSciences. Le nombre important d’acteurs au sein d’HSM, qui représente une grande diversité de communautés scientifiques aux outils spécifiques, ne permet pas d’avoir une vision globale des compétences disponibles et des interactions possibles. Cet atelier (AMIIS) permettra une meilleure diffusion de cette information au sein d’HSM afin d’enrichir les collaborations existantes et d’en susciter de nouvelles. Il vise également à initier des sessions de formation internes aux différents outils, méthodes, logiciels, maîtrisés par les personnels d’HSM. Les activités de cet atelier sont étroitement liées aux questions scientifiques traitées dans les équipes dont la modélisation est un des outils privilégiés.
Machine Learning
Atelier Interdisciplinaire Machine Learning ( ou apprentissage automatique)
Acronyme : AI
Animatrice Anne Johannet
Depuis quelques années dans le domaine de l’environnement et de la santé il y a une explosion des capacités de mesure : les capteurs deviennent de moins en moins chers et de plus en plus nombreux à être utilisés pour mesurer des grandeurs distribuées, variant dans le temps, non stationnaires, issues de processus complexes (non linéaires, hétérogènes, anisotropes). Les difficultés d’observation se cumulent et donnent lieu à des déploiements massifs de capteurs connectés ou non.
Or, analyser de grandes quantités d’information grâce à des capteurs distribués et/ou connectés, ne se fait pas « à l’œil », mais avec des algorithmes d’apprentissage automatique. C’est ce que l’on appelle le machine Learning et cela comprend entre autres : les réseaux de neurones, les algorithmes génétiques, la logique floue, et autres …
Questions de recherche identifiées :
- Quelle méthode choisir pour quel problème, … quand ne pas utiliser ces méthodes ?
- Quelle quantité minimale de données, quel « bruit » tolérable ?
- Quelles interactions avec les modèles physiques et conceptuels, quelles plus-values et quelles limitations ?
Le dernier point permet une interaction forte avec l’Atelier de Modélisation Interdisciplinaire – Informatique Scientifique
Des collaborations internationales seront recherchées via des thèses en cotutelle ou des programmes internationaux.
L’animation de l’atelier sera faite par des réunions périodiques (tous les 2 mois) et des séminaires ouverts à l’Unité.
Mots clés : machine learning, apprentissage statistique, apprentissage automatique, réseaux de neurones, apprentissage profond, modélisation, hydrosystèmes
