L'apprentissage profond rencontre l'IA de modélisation numérique et la biophysique pour la cardiologie computationnelle

Deep Learning Meets Numerical Modelling AI and Biophysics for Computational Cardiology

• Auteur / Autrice : Maëlis Morier
• Direction : Maxime Sermesant
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : E-Patient : Images, données & mOdèles pour la médeciNe numériquE

Mots clés

Mots clés libres

Apprentissage profond

Biophysique

Équations différentielles partielles

Deep learning

Biophysics

Partial differential equations

Résumé

Le projet DeepNum vise à obtenir : des résultats théoriques concernant l'adaptation de la théorie de l'analyse numérique des équations aux dérivées partielles aux réseaux de neurones profonds permettant leur compréhension et leur contrôle ; des solutions théoriques et algorithmiques pour des problèmes difficiles de ML concernant la modélisation de systèmes complexes mettant l'accent sur la dynamique spatio-temporelle et les problèmes de généralisation associés. Ce projet de thèse travaillera sur les aspects d'apprentissage automatique pour la construction de systèmes hybrides et pour la généralisation. Il portera sur l'intégration des outils développés pour les équations de réaction-diffusion et sur l'application à des problèmes réels d'électrophysiologie.

The DeepNum project aims at achieving: theoretical results regarding the adaptation of numerical analysis theory for partial differential equations to deep neural networks allowing their understanding and control; theoretical and algorithmic solutions for challenging ML problems concerning the modelling of complex systems emphasising spatio-temporal dynamics and related generalisation issues. This PhD project will work on machine learning aspects for building hybrid systems and for generalisation. It will focus on the integration of the tools developed for reaction-diffusion equations and work out the application to real electrophysiology problems.