Thèse Apprentissage Profond Equivariant pour les Interfaces Cerveau-Ordinateur H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire Jean Kuntzmann Direction de la thèse : Salem SAID ORCID 0000000280671001 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-09T23:59:59 L'apprentissage profond equivariant est un sujet de recherche bien établi qui a remporté des succès importants, par exemple dans le domaine de la prédiction de la structure des protéines.

L'objectif de la thèse sera d'identifier et de résoudre les problèmes méthodologiques liés à la
mise en oeuvre de méthodes d'apprentissage profond équivariant pour le domaine des interfaces cerveau-ordinateur.

Ces méthodes reposent sur la connaissance des représentations linéaires irréductibles d'un group de symétrie donné : par exemple, groupe de déplacements de l'espace euclidien dans
le cas des protéines. Pour les interfaces cerveau-ordinateur, le groupe de symétrie est le groupe général linéaire, dont les élements sont les matrices inversibles NxN, avec N le nombre d'électrodes.

Le défi posé par la thèse vient du fait qu'il s'agit d'un groupe de plus haute dimension (ou haut rang, plus spécifiquement), dont les représentations sont bien plus difficiles à mettre en oeuvre, par comparaison avec les groupes de symétrie envisagés dans d'autres domaines d'application (comme celui de la structure des protéines déjà mentionné).

L'objectif de la thèse n'est pas uniquement de produire une nouvelle architecture d'apprentissage profond, mais aussi d'explorer, identifier et résoudre de nouveaux problèmes mathématiques liés au concept d'apprentissage equivariant en général. A notre connaissance, l'apprentissage profond équivariant n'a pas encore été appliqué dans le domaine des interfaces cerveau-ordinateur, et les méthodes actuellement existantes ne prennent pas du tout compte du principe de symétrie, qui est pourtant fondamental dans ce domaine.
L'apprentissage profond équivariant est un sujet de recherche bien établi, qui a remporté des succès récents, comme celui du système Alphafold qui prédit la structure tridimensionnelle des protéines à partir de chaînes d'aminoacides.

L'objectif de la thèse est d'étendre le principe de l'apprentissage équivariant au domaine des interfaces cerveauo-ordinateur (où ce principe n'est pour l'instant pas encore implémenté). Pour ce faire, il faudra prendre en compte des groupe de symétries de plus grande dimension et avec une structure plus compliquée, que ceux qui apparaîssent dans les applications actuelles (par exemple, aux protéines).

les candidats intéressés par ce sujet auront de bonnes connaissances (niveau intermédiaire) en mathématiques (théorie des représentations des groupes, notamment le groupe général linéair), et devront être familier avec les outils de développement (en python ou julia) pour les modèles d'apprentissage profond (réseaux de neurons artificiels)