Cette année, treize projets de l’Université d’Artois ont été retenus dans le cadre de l’appel à projets générique de l’Agence Nationale de la Recherche (ANR). C'est un organisme public français dont la mission est de financer la recherche scientifique. Elle soutient des projets innovants dans l’ensemble des champs disciplinaires, qu’ils soient fondamentaux ou appliqués. Les appels à projets de l’ANR visent à renforcer l’excellence scientifique et à favoriser les collaborations entre équipes de recherche, au niveau national comme international.
Découvrez les projets de nos lauréats en déroulant les onglets
Les IA conversationnelles – assistants virtuels, agents intégrés à nos téléphones, services en ligne ou objets connectés – sont désormais omniprésentes dans notre quotidien. Pourtant, elles restent souvent limitées : elles donnent des réponses superficielles, sans véritable raisonnement, sans compréhension fine de nos intentions et sans explication claire de leurs choix.
Le projet DesiRes veut changer la donne. Son ambition est de développer une nouvelle génération d’agents conversationnels capables non seulement de dialoguer, mais aussi de raisonner, planifier et expliquer leurs décisions. En combinant la puissance des grands modèles de langage (LLMs) avec la rigueur des méthodes logiques de l’IA, ces agents pourront s’adapter à l’état d’esprit de leur interlocuteur et justifier leurs réponses de manière transparente.
Un objectif concret est de créer des IA conversationnelles qui encouragent des usages numériques plus sains (mieux gérer son temps d’écran, réduire la dépendance) et plus durables (limiter l’empreinte écologique du numérique). Avec le soutien de nos partenaires industriels, un démonstrateur sera conçu et testé auprès d’utilisateurs, afin de montrer qu’il est possible de développer des agents à la fois puissants, fiables et responsables.
En somme, DesiRes ambitionne de transformer notre relation au numérique en faisant de l’IA conversationnelle un allié de confiance, au service du bien-être et de la planète.
À mesure que les systèmes d'intelligence artificielle (IA) s'intègrent de plus en plus dans des domaines sensibles, le besoin de transparence, de fiabilité et d'explicabilité devient primordial. Ce projet vise à renforcer la confiance dans l'IA en exploitant des techniques de compilation de connaissances, notamment par l'optimisation des représentations en d-DNNF (Forme Normale de Négation Déterministe Décomposable). En examinant les propriétés fondamentales des d-DNNF, nous nous attacherons à développer des méthodes pour concevoir des représentations de circuits plus compactes, tout en préservant les capacités computationnelles du langage.
Le projet ERARE a pour objectif de développer de nouvelles méthodes pour expliquer le fonctionnement des systèmes d’intelligence artificielle (IA), même dans des conditions complexes : par exemple, quand les ressources sont limitées, quand les données sont incomplètes ou incertaines, ou dans des contextes dits "frugaux" (où l’IA doit fonctionner avec peu de ressources). Le projet ne s’arrête pas à l’explication des décisions : il cherche aussi à mieux comprendre les incertitudes des modèles d’IA (quand ils ne sont pas peu confiants) et leur robustesse (sensibilité à des changements inattendus dans les données).
En s’attaquant à ces enjeux, ERARE veut combler un manque important dans le domaine de l’IA explicable (XAI), en apportant plus de clarté, de cohérence et de fiabilité aux systèmes intelligents.
Le projet est porté par un consortium de laboratoires de recherche français spécialisés en intelligence artificielle (CRIL, Heudiasyc, MICS) et par un partenaire industriel, KAPSDATA, une entreprise de la région HdF qui développe des solutions pour surveiller et optimiser la consommation énergétique des centres de données.
L'apprentissage automatique est omniprésent dans notre quotidien et presque tous les aspects de la société, mais les techniques actuelles ne garantissent pas l'exactitude des résultats. À l'inverse, les systèmes de dénombrement combinatoire permettent de dénombrer de manière prouvable les solutions pour des instances comportant plus de milliers de variables. Nous proposons d'associer ce domaine émergent à l'apprentissage automatique afin de tirer parti des avantages des deux approches. Notre objectif est de garantir la qualité des résultats en prédisant des propriétés clés vérifiées par le dénombrement, ce qui permettra de parvenir à une IA certifiée. Ce projet constituera une approche pionnière audacieuse visant à rapprocher la vérification formelle et l'apprentissage automatique, mais tout progrès accompli apportera des contributions majeures à ces deux domaines de recherche et au-delà.
KAsH est un projet en mathématiques fondamentales et plus précisément en topologie algébrique, c’est-à-dire l’étude des différentes notions d’espace au moyen d’outils algébriques et computationnels. Le projet réunit, en un seul consortium, une grande partie des experts en K-théorie et en homotopie travaillant en France et dont les recherches sont thématiquement très proches. Il s’agit de vingt enseignants-chercheurs permanents et d’une quinzaine de postdocs et de doctorants, membres de douze laboratoires de mathématiques, organisés en trois « partners », Paris, Nord-Est et Sud-Ouest, dont les responsables scientifiques sont respectivement Christian Ausoni (LAGA - Université Paris 13), Ivo Dell’Ambrogio (LML - Université d’Artois) et Geoffrey Powell (LAREMA - Université d’Angers). Christian Ausoni est également porteur du projet.
L’objectif scientifique principal du projet est l’exploitation systématique de certaines avancées récentes et spectaculaires en K-théorie algébrique, homotopie stable et techniques équivariantes, utilisant les infini-catégories et l’algèbre supérieure. Ces nouvelles techniques ont déjà conduit, par exemple, à la réfutation de la célèbre Conjecture du Téléscope en homotopie stable, et elles ont le potentiel d’engendrer de nombreuses autres applications en topologie algébrique.
Avec une dotation de 504 000 euros sur quatre ans, le projet KAsH prévoit le financement de trois postdocs (dont un au LML), cinq stages de Master, quatre conférences (dont une au LML), ainsi que de nombreuses missions de ses membres et invitations d’experts extérieurs. L’objectif général est d’établir en France un réseau de référence, de renommée internationale, pour les thématiques abordées.
.
La décarbonation est un enjeu climatique majeur qui implique une très forte utilisation des pompes à chaleur (PAC) dans le secteur du bâtiment, ainsi que l’utilisation de fluide frigorigènes à faible GWP. Le développement des PAC est contraint par l’encombrement, l’esthétique et l’acoustique, particulièrement pour les PAC sur l’air extérieur qui sont les plus répandues (coût réduit). Ce projet se propose d’intégrer un stockage avec Matériaux à Changement de Phase (MCP biosourcé) à l’évaporateur d’une PAC intérieure au propane de façon d’une part à améliorer la flexibilité et les performances énergétiques comme cela a été déjà largement étudié, et d’autre part à réduire le débit d’air extérieur (puisage sur l’air possible en dehors des périodes de fonctionnement de la PAC) qui conduit actuellement à de fortes nuisances sonores. L’objectif est une réduction de moitié du débit d’air conduisant à une réduction de 10dB(A) de la puissance acoustique. Ce point est la raison du projet MOTUS qui n’a jamais été considéré dans les très nombreuses publications scientifiques associant PAC et MCP.
Compte tenu des plages restreintes des températures de fonctionnement de la PAC, un stockage avec MCP sera considéré. Le projet MOTUS vise à améliorer la caractérisation des MCP biosourcés grâce à un banc fluxmétrique, notamment dans le cas de MCP avec surfusion soumis à des cycles partiels de fusion-solidification correspondant à des modes de fonctionnement plus réalistes. La modélisation et l’optimisation de l’évaporateur hybride visera à limiter les temps de calcul liés aux simulations dynamiques annuelles. Nous optimiserons avec une approche multicritère une PAC air-eau, fournissant les besoins de chaleur (chauffage et ECS) et de rafraîchissement. Les paramètres de décision correspondront au dimensionnement de l’aérotherme et de l’évaporateur hybride. Les fonctions de performance seront notamment la réduction du débit d’air (nuisance sonore), le coût, le SCOP et l’encombrement.
Le projet ANR "SELECT" vise à développer un dispositif original permettant de déformer des matériaux tout en observant directement, grâce à un microscope à force atomique (AFM), l’évolution de leurs propriétés mécaniques et électriques. Contrairement aux approches traditionnelles nécessitant des analyses post-expérience ou des systèmes externes complexes, ce nouvel outil offrira un suivi in situ, en temps réel et avec une très haute résolution (échelle du nanomètre). Validé sur des polymères fluorés (PVDF), il a vocation à devenir une solution simple et adaptable pour les laboratoires de recherche et d’enseignement, avec un potentiel de transfert vers des applications industrielles. Le projet réunit deux laboratoires académiques (Pprime/Université de Poitiers et UCCS/Université d’Artois) et un partenaire industriel (Park Systems), garantissant à la fois expertise scientifique et perspectives de valorisation.
- Schéma de principe du module de déformation : (1) Corps, (2) Moteur, (3 et 3’) Mâchoires, (4) Actionneur piézoélectrique, (5) Porte-échantillon, (6) Capteur de force, (7) Capteur de position.
(b) Schéma de principe de l’appareil et de son câblage – Parties : (I) Platine AFM, (II) Module de déformation, (III) Échantillon, (IV) Pointe AFM, (V) Caméra, (VI) Électronique. Signaux : (A–A’) Module, (B–B’) Pointe, (C) Platine, (D) Image AFM, (E) Image optique.
L’ANR SOLAR-FUEL vise à accélérer la découverte de nouveaux matériaux capables de transformer l’énergie solaire en carburants propres comme l’hydrogène ou le méthane en combinant l’intelligence artificielle (machine learning) et la chimie quantique (DFT) : des modèles génératifs conçoivent des candidats performants, triés automatiquement pour leur stabilité et efficacité, puis testés expérimentalement, afin d’optimiser la conversion de CO₂ ou d’eau avec un maximum de rendement et ouvrir la voie à des solutions énergétiques plus durables et respectueuses du climat.
Comment les séries, jeux vidéo, mangas ou romans contemporains façonnent-ils notre vision du passé ? C’est tout l’enjeu du projet de recherche PASSIM (« Passés imaginaires »). Porté par Anne Besson (Université d'Artois, « Textes et Cultures »), ce projet vise à analyser les représentations littéraires et médiatiques des grandes périodes historiques. Dépassant le cadre du « médiévalisme » qui a déjà fait l'objet de plusieurs travaux, PASSIM élargit l'étude à trois autres ères majeures : l’Antiquité, la Modernité (XVIe-XVIIIe siècles) et le long XIXe siècle. L’objectif final est la publication d'une série de Dictionnaires illustrés des imaginaires historiques, véritables ouvrages de référence, ainsi que la tenue d’expositions et de colloques transversaux sur les mécanismes de la mémoire et du cliché historique dans la culture populaire.
L’Université d’Artois au cœur du projet
Le laboratoire « Textes et Cultures » de l’université d’Artois est porteur du projet, Anne Besson pilotant l’organisation d’ensemble et les interrogations transversales, avec l’assistance d’une IGR, Charlotte Duranton. Trois partenaires majeurs, les universités de Lorraine (SAMA, responsables : Justine Breton et Fabien Bièvre-Perrin, pour l’Antiquité imaginaire), de Rouen (CÉRÉdI, responsable : Sandra Provini, pour les Modernités imaginaires) et de Poitiers (FoReLLIS, Jessy Neau pour le XIXe siècle imaginaire) s’y adjoignent pour décrypter la persistance et les réinventions des grandes époques de l’histoire dans nos fictions actuelles.
Les violences gynécologiques et obstétricales (VOG) recouvrent un large spectre d’actes dénoncés comme violents, de la simple maladresse verbale aux atteintes les plus graves à l’intégrité de la personne. Depuis la publication d'un rapport de l'Union européenne en mai 2024, leur prévention apparait comme un enjeu prioritaire. Le projet de recherche propose de déconstruire, par une approche interdisciplinaire (droit, sociologie, sciences médicales), les obstacles à la prévention et à la justiciabilité des VOG. Les obstacles à déconstruire sont ceux liés aux représentations sociales des femmes, de la naissance et de la relation patient-soignant. Ils apparaissent encore dans une forte standardisation des prises en charges en matière gynécologique et obstétricales et dans une faible connaissance du droit des principaux acteurs concernés. Aussi il convient de travailler sur ces représentations, sur les politiques de santé qui pourrait les nourrir, sur les voies permettant une meilleur mobilisation du droit et sur la construction des pratiques professionnelles dans ce domaine. L’enjeu est encore d'amorcer, par un travail sur les outils et les représentations du droit, une transformation des vécus des patientes et des professionnels de santé : par la valorisation de l’autonomie et de l’intégrité des femmes dans leurs parcours de soin et par le renforcement de la légitimité des pratiques gynécologiques et obstétricales et corrélativement de la confiance des professionnels.
À mesure que les systèmes d’intelligence artificielle (IA) s’intègrent de plus en plus dans des domaines sensibles, le besoin de transparence, de fiabilité et d’explicabilité devient primordial. Ce projet vise à renforcer la confiance dans l’IA en exploitant des techniques de compilation de connaissances, notamment par l’optimisation des représentations en d-DNNF (Forme Normale de Négation Déterministe Décomposable). En examinant les propriétés fondamentales des d-DNNF, nous nous attacherons à développer des méthodes pour concevoir des représentations de circuits plus compactes, tout en préservant les capacités computationnelles du langage.
Plus précisément, le projet se concentrera sur le développement d’heuristiques pour la décomposition sémantique, l’optimisation du partage des sous-circuits et l’enrichissement de notre compréhension des différentes fonctions adaptées au comptage de modèles pondérés. De plus, nous examinerons le potentiel des représentations mixtes qui combinent les d-DNNF avec d’autres langages de représentation, afin de faciliter la certification du comptage de modèles et de réduire les temps de calcul lors de l’interrogation de ces circuits. Grâce à une analyse théorique approfondie et à une mise en œuvre pratique, notre travail a pour objectif de concevoir des outils permettant de certifier des systèmes d’IA, contribuant ainsi à leur transparence et à leur fiabilité dans des applications critiques telles que l’IA neuro-symbolique et la modélisation probabiliste.