Round 1 - 2026

Contexte

Le projet MAIA (Maîtrise des apllications de l'IA) vise à développer des solutions de recherche originales et génériques pour faire avancer l'explicabilité formelle et l'acceptabilité sociétable de l'IA, avec un focus sur trois domaines phares : la santé, la chimie et l'environnement de l'alliance A2U (Université d'Artois, UPJV et ULCO) ainsi que pour la région Hauts de France (HdF) Le finacement d'initiatives de recherche innovantes fera parti des appels récurrents du projet MAIA.

Cadre

Cet appel sera ouvert de façon récurrentes (annuels) aux chercheurs et enseignants-chercheurs de l'alliance A2U travaillant dans l'un des cinq axes du projet MAIA : IA explicable (XAI), IA acceptable (question SHS), application de l'IA en santé, chimie et environnement. Il est résolument ouvert à toute action de recherche et/ou valorisation de courte durée permettant d'initier, développer, soutenir une approche innovante :

• Développement, diffusion ou valorisation commerciale d'un prototype/logiciel innovant
• Investissement pour mise au point de démonstrateur(s)
• Soutien à la production/publication/communication de visibilité internationale exeptionnelle
• Accompagnement d'une activité originale de type expérimental ou de collecte de données
• Soutien à toute autre action originale valorisant le projet MAIA

Sélection 2026

Développement de nouvelles méthodes d’apprentissage incrémental en apprentissage fédéré pour la détection d’intrusion dans le monde l’IoT pour le milieu médical.

Directeur :

• Cyril Drocourt

Laboratoire(s) d'accueil :

• MIS (UPJV)
• Université Alioume Diop, Bambey, Sénégal
• MATSI, UMP (Oujda, Maroc)

Résumé

• Le laboratoire MIS possède de nombreux travaux de recherche dans le domaine de l’IA, et plus spécifiquement orientés vers le domaine de la santé. A ce titre, deux doctorants travaillent déjà sur ces approchent en s’intéressant plus particulièrement à l’aspect fédératif de l’intelligence artificielle pour détecter des attaques informatiques dans le domaine médical. Le premier commence à aborder l’apprentissage incrémental, à savoir qu’il cherche à continuer à apprendre à partir des nouvelles observations, et surtout qu’il puisse le faire à la fois en temps réel mais aussi en traitant le problème de l’oubli. Le deuxième s’intéresse à la protection du modèle fédéré. En effet, l’apprentissage fédéré a été initié dans le but de ne pas exposer directement les données, mais de réaliser un apprentissage localement en partageant ensuite le modèle local pour le fusionner globalement. Il s’avère cependant que cela ne protège pas complètement les données initiales d’entrainement. De manière similaire, les laboratoires d’informatique des universités de Bambey au Sénégal et de l’Université d’Oujda au Maroc travaillent sur des problématiques similaires avec des thèses de doctorats en cours. L’objectif de ce travail est donc de tracer une feuille de route et de synchroniser les travaux des différents laboratoires afin non seulement de coopérer sur ces travaux communs, mais surtout de les implémenter sous la forme d’une solution fonctionnelle.

Conception de MOFs par IA Inverse : Générer la structure Optimale pour les Applications Thérapeutiques.

Directeur :

• Wissem Inoubli

Laboratoire(s) d'accueil :

• CRIL (UArtois)
• Laboratoire de Glycochimie et des Agroressources (UPJV)

Résumé

• Face à l'explosion combinatoire des architectures de Metal-Organic Frameworks (MOFs), qui rend la conception rationnelle classique (procédure directe) inefficace, nous proposons une rupture paradigmatique : l'implémentation d'une approche de Conception Inverse (Inverse Design) guidée par l'apprentissage profond. L'IA est mobilisée pour retourner l'architecture MOF optimale (combinaison nœud métallique/ligand) en fonction de propriétés thérapeutiques ciblées et quantifiables (ex : biocompatibilité, efficacité de libération contrôlée, taille et forme des pores). Pour ce faire, le système procède d'abord par une recherche dans la base de données des MOFs; ce n'est qu'en cas de non-existence de structures satisfaisantes que l'IA procède à la génération de nouvelles architectures moléculaires. Ce projet se concentre sur les MOFs issus de bioressources pour le transport et la libération de principes actifs anticancéreux. La solution proposée repose sur deux techniques interdépendantes : un Modèle Génératif Pré-entraîné (utilisant GNNs ou GANs) pour la synthèse virtuelle de structures de ligands optimisées, et une base de données Bio-Structurale enrichie pour l'entraînement. L'objectif final est de réduire drastiquement le cycle de découverte et de générer directement les candidats MOFs à très haut potentiel thérapeutique.

Directeur :

Laboratoire(s) d'accueil :

Résumé

Directeur :

Laboratoire(s) d'accueil :

Résumé