Hybrider apprentissage automatique et raisonnement par contraintes pour résoudre des problèmes d’optimisation complexes
GMLaS développe de nouvelles approches pour combiner l’apprentissage automatique, la fouille de données et le raisonnement par contraintes afin de résoudre des problèmes d’optimisation de grande complexité. Le projet répond à un défi majeur de l’intelligence artificielle : tirer parti des capacités d’apprentissage des modèles de Machine Learning et de Deep Learning tout en conservant les garanties offertes par les méthodes d’optimisation combinatoire.
Le projet s’appuie sur les modèles graphiques discrets et sur le solveur toulbar2 pour concevoir un cadre hybride associant apprentissage, raisonnement et optimisation. Il explore notamment l’intégration de connaissances apprises dans les solveurs de programmation par contraintes, ainsi que la coopération entre apprentissage profond et méthodes d’optimisation. Les travaux portent également sur l’exploitation des données générées par les métaheuristiques afin d’améliorer leurs performances et de guider plus efficacement la recherche de solutions.
En rapprochant les approches issues du Machine Learning et de l’optimisation combinatoire, GMLaS contribue au développement de nouvelles méthodes de résolution pour des problèmes réels de grande dimension, notamment en conception computationnelle de protéines.
