Parmi les systèmes complexes, on s'intéresse plus particulièrement aux systèmes cyber-physiques dont les comportements sont définis par des dynamiques continues et événementielles qui interagissent. Ces systèmes sont classiquement représentés par le formalisme des automates hybrides, définis par des ensembles d'états et de variables discrètes et continues. Pour les variables continues, des lois d'évolutions peuvent être décrites par des équations différentielles.

Si l’on ne dispose pas d’équations différentielles, il est nécessaire d’établir un modèle qualitatif qui établit les lois d’évolutions sur les variables continues et d’établir des liens de causalité entre elles.

Pour modéliser ces systèmes il est judicieux de disposer d’éléments de langage appropriés qui doivent permettre de représenter les connaissances métiers (mécanique, thermique, hydraulique, informatique…) et les comportements des modèles sous une forme abstraite, ou qualitative.

Pour cela, on peut s’appuyer sur une base de connaissance incluant du raisonnement en s’inspirant des travaux sur les IA symboliques et l’associer avec de l’apprentissage par renforcement pour la rendre capable de s’auto-améliorer par l’expérience. Un telle approche permettrait de combiner raisonnements par déduction et par induction et fournirait un raisonnement de sens commun performant, pour disposer in fine de modèles qualitatifs représentatifs des systèmes.

Une autre possibilité est de générer des modèles par observation en analysant l’ensemble des relations existant entre les variables exogènes (paramètres et variables environnementales) et les variables d’états des systèmes, ce qui permettrait de générer des modèles qualitatifs représentatifs à partir de simples observations.

#StageList

Etudiant(e) master 2 en informatique ou école d’ingénieur