Théorie de l’Information et Applications (TIA)

Membres

Les recherches de l’équipe Théorie de l’Information et Applications (TIA) portent principalement sur le développement de nouvelles approches en théorie de l’information et de modèles statistiques appliqués dans divers domaines scientifiques et technologiques:

  • Télécommunications par radio, fibre optique et canaux optiques multi-utilisateurs multi-espaces, où nous abordons la caractérisation des limites fondamentales, la modélisation des canaux, le codage et le traitement du signal, ainsi que les méthodes statistiques et d’apprentissage automatique au niveau de la couche physique des canaux de communications.
  • Applications pour l’intelligence artificielle, explorant les ponts entre l’apprentissage automatique et la théorie de l’information dans les réseaux neuronaux d’apprentissage profond pour l’analyse des données Web, l’anonymisation, l’évaluation de la fiabilité ou dans les approches d’information quantique appliquées aux mégadonnées, au Web sémantique et à la robotique.
  • Modèles inspirés de la physique statistique et quantique basés sur l’analyse du champ moyen appliqués à l’apprentissage et l’inférence, aux modèles markoviens dynamiques, à l’analyse de graphes spectraux et au décodage d’informations. Nous proposons aussi des nouvelles méthodes en logique avec applications en théorie de l’information et du codage ainsi qu’en informatique quantique.

Canaux de Télécommunications

Communications sans fil (wireless): les théories de l’estimation des canaux permettent une bande passante élevée et une efficacité spectrale accrue au niveau de la couche physique dans les communications mobiles, en utilisant des modèles basés sur l’information d’état du canal CSI (channel state information) et les techniques MIMO (multiple-input-multiple-output) sur les canaux temps-fréquence utilisés pour la 5G et l’Internet des objets.

Télécommunications par fibre optique: la bande passante élevée et la faible atténuation de la fibre optique en font la solution idéale pour les télécommunications multi-gigabits. Les futurs réseaux optiques cherchent à traiter des informations cohérentes directement dans le domaine optique pour l’amplification optique par multiplexage / démultiplexage en longueur d’onde, le filtrage, la commutation et le traitement de corrélation.

Canaux optiques multi-utilisateurs multi-espaces: il y a un intérêt croissant pour les communications optiques sans fil, telles que le LiFi (light fidelity), les communications en lumière visible VLC (visible-light communications) envisagées par ex. pour les patrouilles de véhicules autonomes, les communications optiques par laser en espace libre FSO (free-space optics), les communications optiques sous-marines et les communications optiques par satellite.

Modélisation des canaux et caractérisation des limites fondamentales: d’importantes directions de recherche proposent de nouveaux résultats fondamentaux en théorie de l’information qui considèrent l’interaction entre plusieurs services susceptibles de changer à terme l’architecture des systèmes de communication ainsi que la régulation du spectre et des services de communication.

Codage et traitement du signal pour les télécommunications: les codes de correction d’erreur améliorent considérablement l’efficacité et la fiabilité des systèmes de communication. Les codes LDPC et les codes polaires sont adoptés en 5G. La recherche en traitement du signal se concentre sur l’analyse et la conception de systèmes de communications à plusieurs débits, la formation de faisceaux, le traitement de réseaux et les antennes intelligentes.

Théorie de l’information pour l’apprentissage, l’intelligence artificielle, et l’analyse du Web

Méthodes d’apprentissage automatique pour les communications: les applications de l’apprentissage automatique sont actuellement utilisées dans divers aspects des communications et des réseaux, tels que la planification des réseaux et la prévision des performances, les optimisations inter-couches pour les réseaux définis par logiciel, et pour les opérations autonomes et fiables de réseau.

Liens entre l’apprentissage automatique et la théorie de l’information dans les réseaux de neurones d’apprentissage profond: la théorie de l’information a apporté une contribution importante à l’apprentissage profond et à l’intelligence artificielle, les outils dérivés sont par exemple la fonction de perte d’entropie croisée, les arbres de décision de gain d’information maximale et l’algorithme de Viterbi largement utilisé dans le traitement du langage naturel NLP et la reconnaissance vocale.

Analyse des données du Web: l’analyse des données est devenue une technologie essentielle pour traiter des quantités de données en croissance explosive. Les problèmes d’analyse des données concernent l’apprentissage statistique et l’utilisation d’outils issus de la théorie de l’information basés sur l’algèbre linéaire et la théorie des graphes.

Anonymisation et évaluation de la fiabilité: les informations sur les attributs sensibles d’un utilisateur et ses informations de connexion au Web doivent être protégées. Les techniques d’anonymisation classiques sont sujettes à des attaques exploitant des informations structurelles sur les graphes anonymisés. Les techniques de modification de bord de graphe apportant une similitude structurelle sont une solution pour améliorer l’anonymisation.

Approches issues de l’information quantique pour le web sémantique et la robotique: des modèles sont développés pour la recherche d’information et pour l’analyse de données à l’aide de représentations vectorielles et d’opérateurs utilisant l’interférence et l’intrication quantiques. Les modèles de prise de décision probabilistes quantiques sont appliqués au concept de robot quantique sous la forme d’agents montrant des comportements émergents non classiques.

Modèles d’information inspirés de la physique

Modèles d’information pour l’analyse statistique du champ moyen, l’apprentissage et l’inférence: les modèles basés sur des approximations d’Ising de champ moyen sont utilisés pour l’inférence statistique dans les systèmes stochastiques de grande dimension. Ils sont particulièrement adaptés à l’étude des perceptrons représentant des systèmes tels que: les réseaux de neurones, les machines d’apprentissage profond, les systèmes sous contraintes, les verres de spin…

Modèles de Markov dynamiques: les modèles de Markov dynamiques généralisent les modèles de marche aléatoire en représentant les états d’un système par un ensemble de variables, en fonction des états actuels et antérieurs. Ces méthodes ont des applications dans la formulation des requêtes sur le Web, la biologie computationnelle, la reconnaissance vocale, le traitement du langage naturel, la robotique et le diagnostic de pannes.

Analyse de graphes spectraux et décodage d’informations: la théorie des graphes spectraux utilise des théories probabilistes et les matrices aléatoires pour s’attaquer aux problèmes clés des réseaux complexes et des mégadonnées. Ces approches cherchent à apprendre des représentations qui codent des informations structurelles sur le graphe à l’aide des statistiques du graphe et des fonctions de noyau.

Approches logiques en théorie de l’information et du codage avec applications à l’informatique quantique: inspirées des récents modèles d’apprentissage quantique utilisant des opérateurs de matrice de densité, la logique est exprimée dans un langage de matrice d’opérateur. Un rôle central est joué par la sémantique logique de table de vérité comme outil majeur pour adapter la logique à la physique permettant d’interpréter l’universalité des portes logiques de l’informatique quantique.

Responsable d’equipe


Zeno TOFFANO

Professeur – CentraleSupélec

Télécoms et réseaux – TIA

+33 169851440

Bât. Breguet A5.07