CentraleSupélec annonce le lancement de trois chaires modulaires en IA copilotées par des chercheurs de ses laboratoires :

• Antonio Silveti-Falls, maître de conférences à CentraleSupélec et chercheur au sein du laboratoire CVN et de l’équipe Inria OPIS, copilotera la chaire « Multi-Objective Optimization: a Fresh Perspective on the Old Problem » ;

• Stergios Christodoulidis, maître de conférences à CentraleSupélec rattaché au laboratoire MICS est co-PI de la chaire « Deep Learning Exploration of the Effects of Clonal Hematopoiesis on Solid Tumor Progression » ;

• Enfin, Pablo Piantanida, professeur à CentraleSupélec et au laboratoire ILLS, est l’un des co-titulaires de la chaire « [CentOrIA] Mathematical Principles of Learning and Communication in Attention-Based Models ».

Retenues dans le cadre de l’appel à chaires modulaires lancé par l’institut DataIA, institut de recherche et de formation en intelligence artificielle de l'Université Paris-Saclay, à l’attention des partenaires de l’université, ces trois chaires bénéficient d’un financement total d’un peu plus d’un 1 M€. Les projets de recherche collaborative sur lesquels elles portent sont prévus pour une durée de 3 ans.

Ces nouvelles chaires portent à 11 le nombre total de chaires en IA impliquant les équipes de CentraleSupélec. Elles s’ajoutent aux deux chaires Synergies récemment confirmées, co-dirigées par des enseignants-chercheurs de l’école et bénéficiant également de financement de l’Institut DataIA : la chaire « Modèles pré-entraînés pour la frugalité des données » (Pre-trained Models for Data Frugality in Health) dont les co-PI sont Nora Ouzir, maîtresse de conférences à CentraleSupélec rattachée au laboratoire CVN et à l’équipe Inria OPIS, et Florent Bouchard, chargé de recherche CNRS rattaché au laboratoire L2S ; et la chaire « GenAI, modèles de fondation : de la théorie aux applications » (Foundation Models: From Theory to Applications), dont Maria Vakalopoulou, maîtresse de conférences à CentraleSupélec au sein du laboratoire MICS est co-titulaire.

Présentation des trois chaires modulaires

La chaire « Multi-Objective Optimization: a Fresh Perspective on the Old Problem » copilotée par Antonio Silveti-Falls, maître de conférences à CentraleSupélec et chercheur au sein laboratoire CVN et équipe Inria OPIS, et Evgenii Chzhen, chercheur au CNRS, porte sur l'optimisation multi-objectifs, un cadre permettant de comprendre les compromis entre plusieurs objectifs concurrents qui se présentent dans les systèmes modernes d'apprentissage et de prise de décision.

Plutôt que de regrouper ces objectifs en une seule valeur, le projet explore des méthodes permettant d'étudier la frontière de Pareto qui rend compte de l'ensemble des compromis optimaux entre eux. La recherche développe des approches algorithmiques pour identifier et approximer ces compromis tout en tirant parti de la structure géométrique des problèmes d'optimisation afin de concevoir des méthodes efficaces. Les applications incluent des contextes tels que l'équité algorithmique, où la performance prédictive doit être équilibrée avec l'équité entre les groupes.

Un aspect distinctif du projet est son utilisation de la géométrie o-minimale comme point de vue central : en exploitant la structure géométrique simple de nombreux problèmes d'apprentissage, l’objectif est de mieux comprendre la structure des ensembles de Pareto et de guider la conception d'algorithmes d'optimisation.

La chaire « Deep Learning Exploration of the Effects of Clonal Hematopoiesis on Solid Tumor Progression » co-pilotée par Stergios Christodoulidis, maître de conférences à CentraleSupélec rattaché au laboratoire MICS, et Elsa Bernard, responsable du Computational Clinical Oncology Lab de Gustave Roussy, vise à faire progresser le diagnostic de l'hématopoïèse clonale (CH) et à élucider son rôle mécanistique dans la progression tumorale grâce à l'intelligence artificielle et à l'intégration de données multimodales.

Ce projet développera des outils d'apprentissage profond pour améliorer la détection de la CH et la prédiction de l'origine des mutations, en introduisant de nouvelles méthodes d'apprentissage profond pour l'analyse automatisée des frottis sanguins et des données de séquençage de l'ADN acellulaire. De plus, les chercheurs intégreront une IA explicable à l'histologie et à la transcriptomique spatiale afin de révéler comment les cellules immunitaires porteuses de mutations de l'HCl modulent le microenvironnement tumoral. Organisé en quatre lots de travail synergiques, DEEP-CH fournira de nouveaux outils diagnostiques et des connaissances mécanistiques sur les interactions tumeur-système immunitaire induites par l'HCl, dans le but ultime d'améliorer l'oncologie de précision.

La chaire « [CentOrIA] Mathematical Principles of Learning and Communication in Attention-Based Models » sous la co-direction de Pablo Piantanida, professeur à CentraleSupélec et au laboratoire ILLS, de Claire Boyer, professeur au Laboratoire de Mathématiques d’Orsay, et d’Etienne Boursier, chercheur de l’équipe Celeste (Inria Saclay), prévoit de développer une compréhension mathématique rigoureuse du fonctionnement des systèmes d'intelligence artificielle fondés sur les mécanismes d'attention, tels que les grands modèles de langage (LLMs).

Bien que ces architectures soient au coeur des avancées récentes en IA, leurs fondements théoriques restent encore partiellement compris. Les chercheurs mobiliseront des outils issus des probabilités, de l'optimisation et de la théorie de l'information afin d'identifier les principes qui gouvernent :

• La manière dont les mécanismes d'attention traitent et structurent l'information.
• La façon dont les modèles apprennent des structures séquentielles via la prédiction autorégressive et l'apprentissage en contexte.
• La manière dont plusieurs agents d'IA peuvent communiquer de façon efficace et coopérative.

En unifiant ces perspectives, le projet ambitionne de poser les bases d'une théorie générale de l'apprentissage par attention afin de contribuer à la conception de systèmes d'IA plus interprétables, fiables et robustes.