Ce projet vise à développer des méthodes prédictives originales d’analyse de données grâce à la topologie.
Les systèmes dynamiques complexes peuvent subir des transitions soudaines entre des régimes radicalement différents alors que leurs paramètres évoluent lentement. Les transitions de phase entre état solide, liquide et gazeux en sont des exemples, mais ce phénomène universel apparaît dans des contextes aussi variés que les krachs financiers, les changements climatiques ou les embouteillages. En raison de la nature aberrante de ces changements souvent catastrophiques, l’analyse de données standard peine à les détecter suffisamment tôt pour que les entreprises et les gouvernements prennent les mesures préventives appropriées.
Le but de ce projet est de mettre au point de nouvelles méthodes topologiques qui peuvent fournir des avertissements rapides avant des transitions inattendues. Cela fournira de puissants modèles de machine learning pour anticiper les surprises et prendre les décisions cruciales à temps. Par exemple, les CFF seraient en mesure de mieux détecter les défaillances de trains à l’avance.
Ce projet de recherche est mené par le Laboratoire de topologie et neurosciences (LTN), dirigé par la professeur Kathryn Hess Bellwald, en collaboration avec L2F, une start-up de l’EPFL qui offre des solutions mathématiques sophistiquées de machine learning aux entreprises et aux institutions, et la HEIG-VD. Il dure 18 mois et est financé par Innosuisse.
| Investigateur principal |
Prof. Kathryn Hess Bellwald |
| Sponsor | Innosuisse |
| Période | 2018-2020 |
| Partenaires | L2F, HEIG-VD |
| Laboratoire | UPHESS |
| Collaboration | TRACE |