Titre du projet de recherche
Comprendre et améliorer la logique des réseaux de neurones
niveau d'étude
Maîtrise ou doctorat
Directeur/codirecteur
Directeur : Jean Pierre David
Codirecteur(s) : Professeur Langlois, le cas échéant
Fin de l'affichage
15 avril 2026
Domaines d'expertise
Circuits et dispositifs électroniques
Traitement des signaux numériques
Représentation des connaissances
Théories de l'apprentissage et de l'inférence
Pôle d'excellence principal
Modélisation et intelligence artificielle
Pôle(s) d'excellence secondaire(s)
Nouvelles frontières en technologies de l'information et communications
Unité(s) et département(s)
Département de génie électrique
Conditions
Les compétences recherchées incluent :
- Bonne maitrise des mathématiques.
- Bonne maitrise de la programmation, en particulier avec Python
- Bonne compréhension des circuits logiques
- Un fort désir de comprendre ce qui se passe à l'intérieur des réseaux de neurones en vue de les améliorer
- Faire preuve de curiosité scientifique
Les points suivants sont des atouts supplémentaires:
- Expérience avec les réseaux de neurones (en particulier avec Pytorch)
- Expérience en conception de circuits numériques
Bienvenue à tous les candidats et candidates de talent. En outre, si votre présence permet aussi d'améliorer la diversité de l'équipe, cela jouera en votre faveur.
Pour postuler, contacter le professeur Jean Pierre David par courriel : jean-pierre.david@polymtl.ca
Description détaillée
Les réseaux de neurones artificiels (RNA) évoluent rapidement et trouvent des applications dans divers secteurs, notamment l'imagerie médicale, la conduite autonome et la découverte de médicaments. Cependant, la confiance dans les capacités de prise de décision de l'IA, en particulier lorsque ces modèles manquent de transparence, reste une préoccupation majeure. En 2020, Google Health a démontré que l'IA surpassait les radiologues humains dans le diagnostic du cancer du sein à travers l'analyse de mammographies. Bien que cela montre le potentiel de l'IA, l'incapacité des RNA à expliquer leur raisonnement soulève des questions quant à la fiabilité de ces systèmes dans des domaines critiques comme les soins de santé, où la supervision humaine reste essentielle. Il devient de plus en plus nécessaire de rendre les décisions de l'IA explicables et de vérifier que certaines règles sont systématiquement respectées, notamment dans les situations où des vies sont en jeu.
Le programme de recherche proposé repose sur le fait que les RNA sont semblables aux circuits logiques combinatoires, qui eux sont intrinsèquement explicables. Cependant, alors que les circuits logiques sont hautement spécialisés, les RNA utilisent souvent des topologies inefficaces et régulières, avec de nombreux poids inutiles, ce qui fait de l'optimisation un axe de recherche clé. En affinant les RNA, nous visons à réduire leur taille et leur consommation d'énergie, à améliorer leur capacité à généraliser, et à simplifier les processus d'apprentissage. Pour y parvenir, nous nous concentrerons sur les structures logiques internes des RNA. Ce programme de recherche a également pour objectif d'explorer le comportement des RNA lors de l'inférence en analysant les liens logiques entre les entrées, les activations et les sorties. Des versions binarisées des signaux permettront de révéler ces liens, facilitant ainsi l'identification des conditions nécessaires et suffisantes pour les sorties. Au final, nous espérons créer un "méta-réseau" capable de scruter et d'affiner les décisions des RNA, les rendant plus explicables et plus fiables
Possibilité de financement
Le projet est financé par le CRSNG.
