Méthodes d'apprentissage profond inspirées par la physique pour l'inférence de la qualité de l'air

Abstract

Le domaine de la Vision Artificielle est né de la volonté d'appliquer des méthodes d'apprentissage profond à des images, et de l'efficacité indiscutable de ce type de méthodes. Cependant ces solutions complexes sont souvent purement basées sur les données, n'utilisant que très peu d'informations a priori sur le contexte d'application, ce qui renforce leur aspect dit "boîte noire".Selon le domaine d'application, des méthodes plus classiques, exploitant justement ces informations peuvent être utilisées. Dans le domaine de la physique notamment, des solutions purement mathématiques peuvent être utilisées, souvent basées sur la résolution d'un système d'équations différentielles. Cependant si les méthodes purement physique présentent une bonne précision ainsi qu'une excellente explicabilité, leur temps d'inférence laisse dans certains cas à désirer.C'est justement le cas pour la tâche de prédiction de la concentration au niveau du sol en Particules de Matière ayant un diamètre inférieur à 2.5 μm. Cette valeur étant liée à la qualité de l'air, et par extension à des dégradations de la santé humaine, l'objectif de cette tâche dépasse le simple enjeu de l'amélioration des connaissances. Il existe donc un besoin de solutions performantes mais aussi rapides pour la réalisation de cette tâche.Notre objectif dans le cadre de cette thèse est donc de proposer une méthode d'estimation de la concentration en aérosols au niveau du sol, bénéficiant de l'efficacité (en termes de rapport entre précision et temps d'inférence) des Artificial Neural Network (Réseau de Neurones Artificiels) (ANN). Nous souhaitons pour développer ces nouvelles solutions nous appuyer sur les connaissances a priori du domaine. Elles peuvent en effet se révéler utiles dans le contexte de l'apprentissage semi-supervisé. Cela peut par ailleurs permettre d'augmenter l'explicabilité des modèles. Cet objectif s'inscrit donc dans un contexte précis, mais qui nous laisse toutefois la liberté d'explorer successivement trois directions de recherche.Dans ce dit contexte, notre accès à des données annotées est limité. Certaines de nos annotations sont notamment dites "éparses", car elles ne concernent que quelques pixels d'une image donnée. Nous proposons ainsi premièrement une méthode permettant à un modèle de Réseau Génératif Adverse d'exploiter ces vérités terrain éparses. Cette solution s'inspire du rôle des Conditions Aux Limites dans la résolution d'équations différentielles en physique. Nous démontrons expérimentalement la compétitivité de cette approche.Nous étudions dans un second temps l'impact de l'utilisation d'une sélection de variables météorologiques comme données d'entrée supplémentaires sur nos résultats. La relation entre ces variables et certains choix d'architecture, comme les méthodes de fusion d'information employées, est en particulier questionnée. Des conclusions cruciales sur le comportement des ANN dans ce type de contexte sont tirées de cette étude.Enfin, nous proposons un modèle de Réseau de Neurones Informé par la Physique, utilisant une fonction de coût basée sur une équation physique. Celle-ci permet de guider l'apprentissage sans données annotées, ce qui rend cette méthode particulièrement adaptée dans notre contexte d'entraînement semi-supervisé. De plus l'architecture particulière de ce modèle lui permet de générer lui-même certaines des données nécessaires à l'utilisation de cette fonction de coût. Nos expérimentations démontrent l'efficacité de ce modèle comparé à l'état de l'art.