Thèses 2026

En 2026, le projet MAIA a co-financé 7 thèses.

Conception de novo de matériaux pour la production de carburants solaires par apprentissage automatique et calculs DFT

Directeur(s) :

• Adlane Sayede
• Astrid Klipfel

Laboratoire(s) d'accueil :

• UCCS - Unité de Catalyse et Chimie du Solide
• CRIL - Le Centre de Recherche en Informatique de Lens

Résumé :

• La transition énergétique requiert le développement de nouvelles sources d’énergie propres et durables. La production de « carburants solaires », comme l’hydrogène par dissociation de l’eau (H₂O) ou la conversion du dioxyde de carbone (CO₂) en hydrocarbures, représente une voie prometteuse. Cependant, cette approche est limitée par le manque de matériaux photocatalyseurs à la fois performants, stables et économiques. La découverte de tels matériaux par des méthodes traditionnelles est un processus long et coûteux. Ce projet de thèse vise à lever ce verrou en développant une plateforme de conception et de criblage à haut débit de nouveaux matériaux cristallins par des méthodes computationnelles avancées. Le cœur du projet repose sur l’utilisation de modèles d’apprentissage automatique (Machine Learning, ML) de type génératif, basés sur des réseaux de neurones équivariants et des modèles de diffusion développés au sein des laboratoires CRIL et UCCS. Ces outils permettent de générer des structures cristallines inédites. Le travail de thèse couvrira deux axes principaux. Le premier (WP1) consistera à affiner et exploiter ces modèles de ML pour générer des matériaux de la famille des hétéroanioniques, en guidant la génération par des contraintes physiques (stabilité thermodynamique, largeur de bande interdite optimale). Le second axe (WP2) se concentrera sur la validation des candidats les plus prometteurs (une centaine) via des calculs ab initio de haute précision. Ces calculs permettront de confirmer rigoureusement leur stabilité et de prédire leurs propriétés électroniques et optiques, afin de sélectionner une dizaine de candidats finaux pour la synthèse expérimentale menée dans le cadre du projet ANR SOLAR-Fuel. Ce projet se situe à l’interface de la chimie des matériaux, de l’IA et de l’environnement, avec pour finalité d’accélérer la transition vers une économie décarbonée.

IA explicable pour la conception accélérée de MOFs bio-inspirés à visée anticancéreuse : de la prédiction des structures à l’optimisation de la synthèse

Directeur(s) :

• Adam Duong
• Wissem Inoubli

Laboratoire(s) d'accueil :

• LG2A - Laboratoire de Glycochimie et des Agroressources d’Amiens
• CRIL - Le Centre de Recherche en Informatique de Lens

Résumé :

• Le projet s’inscrit dans le cadre du consortium MAIA et vise à exploiter la puissance de l’intelligence artificielle explicable et générative pour accélérer la découverte de Metal-Organic Frameworks (MOFs) bio-inspirés à visée anticancéreuse. Ces matériaux poreux, formés de nœuds métalliques et de ligands organiques, offrent un fort potentiel pour la vectorisation ciblée et la libération contrôlée de médicaments. L’approche proposée repose sur l’intégration de réseaux neuronaux sur graphes 3D et de modèles pré-entraînés tels que MOFGPT, MOFormer ou MOFTransformer, afin de générer automatiquement des structures de MOFs optimisées selon des critères de porosité, biocompatibilité et fonctionnalisation. L’IA permettra également de prédire les propriétés biologiques (cytotoxicité, relargage, ciblage tumoral) à partir des données expérimentales et de développer un modèle explicable reliant structure et performance. En associant l’expertise en chimie verte et matériaux bio-inspirés du LG2A (UPJV) et les compétences en IA explicable et apprentissage symbolique du CRIL (ULCO), ce projet vise à créer une plateforme intégrée et interprétable pour la conception accélérée de MOFs thérapeutiques durables, contribuant à la médecine de précision et aux objectifs de carboneutralité du consortium MAIA.

Gestion de l’Incertitude dans les Modèles d’IA Ontologiquement Explicables

Directeur(s) :

• Grégory Bourguin
• Gilles Audemard
• Arnaud Lewandoswki

Laboratoire(s) d'accueil :

• LISIC - Le Laboratoire d'Informatique Signal et Image de la Côte d'Opale
• CRIL - Le Centre de Recherche en Informatique de Lens

Résumé :

• La recherche en IA explicable (XAI) a mis en évidence la nécessité de concevoir des modèles qui soient explicables du point de vue des utilisateurs. Une part importante des travaux actuels se concentre sur la conception de modèles qui intègrent la sémantique et le raisonnement des experts du domaine. S’inspirant des modèles basés sur les concepts (Concept-Based Models, CBM) et de l’IA neuro-symbolique, cette thèse vise à développer une approche hybride pour construire des classifieurs ontologiquement explicables. Une ontologie permet de réifier la sémantique du domaine en entités conceptuelles, tandis que le raisonnement des utilisateurs peut être réifié sous forme de règles exprimées à travers une logique de description. L’association des modèles issus de l’apprentissage profond (Deep Learning, DL) pour identifier les concepts à des raisonneurs ontologiques pour la classification permet de produire des modèles intrinsèquement plus explicables. Cependant, le raisonnement ontologique étant déterministe, cette approche est particulièrement sensible à l’extraction de concepts. Pour que les solutions proposées soient généralisables, il est essentiel de prendre en compte la gestion de l’incertitude. Pour ce faire, cette thèse s’intéresse à la notion de similarité sémantique au sein des ontologies. En cas d’incertitude, l’approche devra permettre de proposer une classification candidate tout en justifiant les raisons de cette classification. L’intérêt majeur est d’intégrer la gestion de l’incertitude au sein des modèles d’IA basés sur les ontologies tout en rendant le processus décisionnel transparent du point de vue des utilisateurs. Ces travaux seront appliqués en vision par ordinateur sur des problématiques de classification à grain fin.

Modélisation de la pensée exhegétique par Intelligence Artificielle

Directeur(s) :

• Zied Bouraoui
• Antoine Destemberg

Laboratoire(s) d'accueil :

• CRIL - Le Centre de Recherche en Informatique de Lens

Résumé :

• Dans la société chrétienne de l'Occident médiéval (Ve-XVe siècle), la Bible constitue un socle culturel et religieux, le livre par excellence et une matrice de compréhension du monde. Les théologiens du début du XIlle siècle évoquent le "livre-monde" pour désigner cette relation étroite entre l'histoire sainte exposée dans le texte biblique et les gestes des hommes. L'œuvre intellectuelle majeure s'imposant aux savants médiévaux est de comprendre et d'expliquer la Bible, d'en analyser les ressorts historiques, littéraires et symboliques. Ce travail d'exégèse s'apparente autant à une quête religieuse qu'à une enquête historique, sociologique ou politique. La pensée exégétique médiévale est une pensée d'accumulation et les textes exégétiques sont le résultat d'une véritable stratigraphie d'auteurs, de commentaires et de gloses. À l'exception de quelques Pères de l'Église, comme saint Augustin ou Isidore de Séville, les exégètes ne mentionnent pas les auteurs qu'ils reprennent et intègrent à leur propre pensée. L'objectif de la thèse est de développer des méthodes d'Intelligence Artificielle centrées sur l'extraction de connaissances adaptées aux textes bibliques en latin, afin d'identifier les références aux auteurs, commentaires et gloses des textes précédents. Le modèle de coréférence de liage d'entités ainsi constitué permettra d'étudier l'évolution de la pensée médiévale du Ve au XVe siècle.

Optimisation par contraintes des explications probabilistes en santé

Directeur(s) :

• Frédéric Koriche
• Emilien Arnaud
• Christophe Lecoutre

Laboratoire(s) d'accueil :

• CRIL - Le Centre de Recherche en Informatique de Lens
• MIS - Modélisation, Information & Systèmes

Résumé :

• Le projet poursuit deux objectifs principaux : (1) développer une méthodologie pour construire interactivement une bibliothèque de contraintes modélisant différents critères de qualité et d’interprétabilité des explications probabilistes ; (2) concevoir des méthodes de passage à l’échelle, en accélérant la résolution des problèmes d’optimisation grâce au filtrage des contraintes et au développement d’algorithmes d’approximation. Ce projet, mené conjointement par le CRIL et le MIS, s’appuiera sur une collaboration étroite avec le CHU Amiens-Picardie (projet 3P-U), afin d’ancrer les développements dans un cadre médical concret et de renforcer la confiance dans l’usage de l’IA en santé.

Intelligence Artificielle explicable pour l’optimisation combinatoire : fusion du raisonnement et de l’apprentissage profond

Directeur(s) :

• Sohaib Lafifi
• Rym Guibadj

Laboratoire(s) d'accueil :

• LGI2A - Laboratoire de Génie Informatique et d'Automatique de l'Artois
• LISIC - Le Laboratoire d'Informatique Signal et Image de la Côte d'Opale

Résumé :

• Cette thèse propose de développer une approche d’intelligence explicable pour l’optimisation combinatoire, fondée sur la fusion du raisonnement neuronal et de l’apprentissage profond. L’objectif est d’introduire dans les architectures existantes des mécanismes de rétroaction neuronale (feedback neural networks), permettant au modèle d’analyser et de corriger ses propres prédictions au cours du processus d’inférence. Ces boucles de rétroaction visent à renforcer la cohérence interne du raisonnement, à améliorer la stabilité des représentations et à offrir des indicateurs interprétables sur la manière dont le modèle élabore et ajuste ses décisions.

Projet DYSCUSSION (DYScours : Communication Universelle de Synthèse par la Science, l’Innovation et les Outils Numériques)

Directeur(s) :

• Catherine Huyghe
• Gilles Dequen
• Federica Cilia

Laboratoire(s) d'accueil :

• MIS - Modélisation, Information & Systèmes
• CRP-CPO - Centre de Recherche en Psychologie

Résumé :

• Le projet porte sur la conception d’un système de génération linguistique contrôlée à partir de séquences de pictogrammes, destiné aux dispositifs de Communication Améliorée et Alternative (CAA). La CAA permet à une population présentant des difficultés d’expression orale d’accéder à des moyens alternatifs et adaptés pour communiquer, en mobilisant différents canaux comme les pictogrammes. Bien que les CAA aient considérablement progressé, la production de messages repose souvent sur une simple succession de pictogrammes, limitant ainsi la construction d’énoncés complets et adaptés au contexte. Les avancées récentes de l’IA générative ouvrent de nouvelles perspectives, mais leur déploiement en CAA reste entravé par un manque de contrôle linguistique et par contraintes de calculs des appareils utilisés sur le terrain. Le projet propose de développer un modèle de génération linguistique contrôlée capable de produire des phrases grammaticalement correctes, cohérentes et conformes à l’intention communicative du public concerné.