La traduction automatique vise à traduire des documents d’une langue à une autre sans l’intervention humaine. Avec l’apparition des réseaux de neurones profonds (DNN), la traduction automatique neuronale(NMT) a commencé à dominer le domaine, atteignant l’état de l’art pour de nombreuses langues. NMT a également ravivé l’intérêt pour la traduction basée sur l’interlangue grâce à la manière dont elle place la tâche dans un cadre encodeur-décodeur en passant par des représentations latentes. Combiné avec la flexibilité architecturale des DNN, ce cadre a aussi ouvert une piste de recherche sur la multimodalité, ayant pour but d’enrichir les représentations latentes avec d’autres modalités telles que la vision ou la parole, par exemple. Cette thèse se concentre sur la traduction automatique multimodale(MMT) en intégrant la vision comme une modalité secondaire afin d’obtenir une meilleure compréhension du langage, ancrée de façon visuelle. J’ai travaillé spécifiquement avec un ensemble de données contenant des images et leurs descriptions traduites, où le contexte visuel peut être utile pour désambiguïser le sens des mots polysémiques, imputer des mots manquants ou déterminer le genre lors de la traduction vers une langue ayant du genre grammatical comme avec l’anglais vers le français. Je propose deux approches principales pour intégrer la modalité visuelle : (i) un mécanisme d’attention multimodal qui apprend à prendre en compte les représentations latentes des phrases sources ainsi que les caractéristiques visuelles convolutives, (ii) une méthode qui utilise des caractéristiques visuelles globales pour amorcer les encodeurs et les décodeurs récurrents. Grâce à une évaluation automatique et humaine réalisée sur plusieurs paires de langues, les approches proposées se sont montrées bénéfiques. Enfin,je montre qu’en supprimant certaines informations linguistiques à travers la dégradation systématique des phrases sources, la véritable force des deux méthodes émerge en imputant avec succès les noms et les couleurs manquants. Elles peuvent même traduire lorsque des morceaux de phrases sources sont entièrement supprimés. / Machine translation aims at automatically translating documents from one language to another without human intervention. With the advent of deep neural networks (DNN), neural approaches to machine translation started to dominate the field, reaching state-ofthe-art performance in many languages. Neural machine translation (NMT) also revived the interest in interlingual machine translation due to how it naturally fits the task into an encoder-decoder framework which produces a translation by decoding a latent source representation. Combined with the architectural flexibility of DNNs, this framework paved the way for further research in multimodality with the objective of augmenting the latent representations with other modalities such as vision or speech, for example. This thesis focuses on a multimodal machine translation (MMT) framework that integrates a secondary visual modality to achieve better and visually grounded language understanding. I specifically worked with a dataset containing images and their translated descriptions, where visual context can be useful forword sense disambiguation, missing word imputation, or gender marking when translating from a language with gender-neutral nouns to one with grammatical gender system as is the case with English to French. I propose two main approaches to integrate the visual modality: (i) a multimodal attention mechanism that learns to take into account both sentence and convolutional visual representations, (ii) a method that uses global visual feature vectors to prime the sentence encoders and the decoders. Through automatic and human evaluation conducted on multiple language pairs, the proposed approaches were demonstrated to be beneficial. Finally, I further show that by systematically removing certain linguistic information from the input sentences, the true strength of both methods emerges as they successfully impute missing nouns, colors and can even translate when parts of the source sentences are completely removed.

Nos travaux concernent la reconnaissance de l'écriture manuscrite qui est l'un des domaines de prédilection pour la reconnaissance des formes et les algorithmes d'apprentissage. Dans le domaine de l'écriture en-ligne, les applications concernent tous les dispositifs de saisie permettant à un usager de communiquer de façon transparente avec les systèmes d'information. Dans ce cadre, nos travaux apportent une contribution pour proposer une nouvelle architecture de reconnaissance de mots manuscrits sans contrainte de style. Celle-ci se situe dans la famille des approches hybrides locale/globale où le paradigme de la segmentation/reconnaissance va se trouver résolu par la complémentarité d'un système de reconnaissance de type discriminant agissant au niveau caractère et d'un système par approche modèle pour superviser le niveau global. Nos choix se sont portés sur des Séparateurs à Vastes Marges (SVM) pour le classifieur de caractères et sur des algorithmes de programmation dynamique, issus d'une modélisation par Modèles de Markov Cachés (HMM). Cette combinaison SVM/HMM est unique dans le domaine de la reconnaissance de l'écriture manuscrite. Des expérimentations ont été menées, d'abord dans un cadre de reconnaissance de caractères isolés puis sur la base IRONOFF de mots cursifs. Elles ont montré la supériorité des approches SVM par rapport aux solutions à bases de réseaux de neurones à convolutions (Time Delay Neural Network) que nous avions développées précédemment, et leur bon comportement en situation de reconnaissance de mots.

Ce travail concerne la caractérisation des réactions de multifragmentation induites dans les collisions centrales de Xe+Sn à 32 MeV /A mesurées avec le détecteur INDRA. Cette caractérisation informe sur le degré d'équilibration. Un aspect crucial pour ces études est la sélection des événements. Dans cette étude deux approches ont été utilisées pour la sélection des collisions d'intérêt. La première approche s'appuie sur des sélecteurs de centralité (angle de flot, angle d'émission du plus gros fragment, multiplicité totale de particules chargées). La seconde approche qui constitue une innovation dans le domaine de la physique nucléaire est l'utilisation des cartes auto-organisées de Kohonen. Cette méthode permet un classement en topologie des événements sans utiliser explicitement des variables reliées à la forme. Les deux méthodes de sélection indiquent la coexistence d'au moins deux niveaux de dissipation dans les collisions les plus centrales. La méthode des cartes auto-organisées permet de déconvoluer ces processus. L'échantillon associé au processus de multifragmentation et à la plus grande conversion de l'énergie initiale représente 5% (250 mb) de la section efficace totale de réaction. Quelle que soit la méthode de sélection la forme moyenne de la source est allongée dans la direction du faisceau. Ce résultat signe une relaxation incomplète du degré de liberté de forme. Les données expérimentales sont comparées avec un modèle de multifragmentation statistique (SMM) incluant la déformation de la source et une énergie collective d'expansion. La caractérisation des réactions de multifragmentation en terme de taille, d'énergie d'excitation d'énergie collective d'expansion et de déformation est indépendante du mode de sélection utilisé. De cette comparaison on déduit que 70% de l'énergie disponible et 83% des nucléons du système initial ont été équilibré durant la réaction.

Les scénarios avancés, développés depuis moins d'une dizaine d'année avec la découverte des barrières internes de transport et la maîtrise du profil de courant, insufflent un nouvel élan au tokamak en direction d'un futur réacteur à fusion thermonucléaire contrôlée. Le Joint European Torus (JET) installé au Royaume-Uni, est actuellement le dispositif expérimental le plus performant au monde en terme de puissance fusion. Il a permis d'acquérir une riche expertise sur ces régimes à confinement amélioré. La réduction du transport turbulent, désormais indissociable de l'optimisation de la forme du profil de courant - obtenue par exemple avec l'onde hybride ou le courant autogénéré de bootstrap, peut être caractérisée simplement à l'aide d'un critère qui donne accès à la plupart des informations utiles concernant les barrières . Ses deux principaux domaines d'utilisation sont l'analyse des bases de données et les applications temps réel. Les modèles de transport dits de courbe en « S » exhibent des propriétés intéressantes que conforte l'expérience, tandis que les dépendances non-linéaires et multivariables de la diffusivité thermique du plasma peuvent être approchées grâce à un réseau de neurones, suggérant un nouveau moyen d'investigation et de modélisation du transport. Enfin, les toutes premières démonstrations expérimentales de contrôle en temps réel des barrières internes de transport et du profil de courant ont été réalisées sur JET, ouvrant la voie à des systèmes d'asservissement sophistiqués.

Dans la fabrication d'un produit, la maîtrise des propriétés physiques des matériaux utilisés est indispensable. Il est donc nécessaire de déterminer leurs propriétés comportementales. On exploite en général des propriétés physiques intermédiaires telles que les propriétés électromagnétiques. Nous avons mis au point une technique de caractérisation sans contact de matériaux non transparents en transposant les concepts de base de l'ellipsométrie optique en hyperfréquence. La caractérisation se fait par résolution d'un problème inverse par deux méthodes numériques : une méthode d'optimisation classique utilisant l'algorithme itératif de Levenberg Marquardt et une méthode de régression par l'uti1isation de réseaux de neurones du type perceptron multicouches. Avec la première méthode, on détermine deux paramètres du matériau sous test à savoir l'indice de réfraction et l'indice d'extinction. Avec la deuxième, on détermine les deux indices ainsi que l'épaisseur de 1'échantillon. Pour la validation, nous avons monté un banc expérimental en espace libre à 30 GHz en transmission et en incidence oblique avec lequel nous avons effectué des mesures sur des échantillons de téflon et d'époxy de différentes épaisseurs (1 à 30 mm). Nous avons obtenu une caractérisation satisfaisante de l'indice et de l'épaisseur. Nous avons ensuite fait des mesures de trois types de papier dont la caractérisation de l'indice était satisfaisante sans toutefois les discriminer. Ces travaux ont montré la possibilité de caractériser des matériaux épais et non transparents par une technique ellipsométrique

La Corse faisant partie des petits réseaux insulaires non-interconnectés, son approvisionnement énergétique est très particulier. En effet, comme toutes les îles, elle doit se suffire à elle-même. Une solution souvent adoptée pour pallier à cet isolement, consiste à recourir aux énergies renouvelables. Cependant, à cause de leur caractère intermittent, elles ne sont insérées que de manière limitée au sein des réseaux électriques. Il est nécessaire d'utiliser en parallèle d'autres moyens de production d'énergie, avec comme principale difficulté, la gestion optimale de la bascule entre ces deux types d'énergie. Cette étude s'inscrit dans le cadre de la prédiction de la ressource solaire et photovoltaïque dans le but de quantifier l'énergie disponible et de permettre une gestion optimale de la transition entre énergies intermittentes et conventionnelles. Tout au long de ces travaux, nous avons ainsi testé différentes techniques de prédiction sur quatre horizons susceptibles d'intéresser un gestionnaire de réseau : j+1, h+24, h+1 et m+5. A l'issue de toutes ces manipulations, nous pouvons conclure que suivant l'horizon considéré, la hiérarchisation des différents prédicteurs fluctue. On retiendra ainsi que, pour l'horizon j+1, il est intéressant d'utiliser une approche à base de réseaux de neurones en prenant soin de stationnariser les séries temporelles et d'utiliser des variables exogènes. Pour l'horizon h+1, une méthodologie hybride couplant la robustesse des modèles autorégressifs et la non-linéarité des modèles connexionnistes permet d'obtenir des résultats très satisfaisants. Pour le cas h+24, les réseaux de neurones à sorties multiples donnent de très bons résultats. Concernant l'horizon m+5, les conclusions sont moins catégoriques. Ainsi, même si les réseaux de neurones sont les plus performants, la simplicité et les résultats d'une approche basée sur la persistance, nous conduisent à préconiser principalement ce prédicteur. L'ensemble des méthodologies proposées et des résultats obtenus sont complémentaires avec les travaux de prédiction bibliographiques étudiés. Les méthodologies développées pourraient, à terme, être reprises comme éléments de prédiction dans des outils globaux de contrôle et de commande des systèmes énergétiques.

Le travail développé dans cette thèse s'inscrit dans le cadre d'une problématique générale portant sur les architectures de Surveillance-Commande des Systèmes Flexibles de Production Manufacturière (SFPM). En effet, l'architecture de Commande-Surveillance, que nous avons proposé, a l'objectif de minimiser l'appel à la maintenance corrective. Ceci est afin minimiser les arrêts opérationnels du procédé. L'architecture développée " Surveillance Indirecte suite à une Commande Robuste" consiste à surveiller les paramètres de la loi de commande afin de maintenir la robustesse passive du système. Le suivi instantané des déviations dans un contexte de robustesse active est un moyen pour prévoir les événements inévitables qui peuvent influer la robustesse du système. L'architecture développée est constituée de deux bloc : bloc commande et bloc surveillance. La fonction commande robuste du bloc Commande ainsi que les fonctions pronostic et suivi-détection du bloc Surveillance sont les fonctions clés de cette architecture. En effet, pour la fonction commande robuste nous avons développé une loi de commande robuste hybride (robustesse passive et active) multicritères (flux et qualité) tout en se basant sur l'outil RdP à Intervalles. Pour la fonction pronostic, une nouvelle architecture " Réseau de Neurones Doublement Récurrent à Base de Fonctions Radiales" (RR2FR) dédiée à la prédiction est développée. Finalement, un modèle RdPTàO de suivi-détection est développé pour remplir les objectifs de suivi des paramètres qualitative et quantitative du produit et de détection des symptômes de défaillances. A la fin de cette thèse, une application à un système industriel est présentée afin de confirmer l'apport de l'architecture " Surveillance Indirecte suite à une Commande Robuste".

Les travaux de cette thèse se placent dans le cadre de la robotique mobile terrestre. Un prototype innovant de robot à géométrie variable capable de franchir divers obstacles (escaliers, trottoirs...) est présenté et analysé. Le retour d'expérience nous donne des pistes pour évoluer vers un robot autonome. L'étude de la déformation d'un robot muni de n degrés de liberté est présentée et formalisée comme un problème de satisfaction de contraintes. L'objectif est d'actionner les articulations du robot tout en conservant la tension de la chenille qui transmet l'effort des moteurs de propulsion. Des outils d'analyse par intervalles sont utilisés pour proposer une solution. Un autre aspect du contrôle d'un robot à géométrie variable est ensuite étudié pour fournir une méthode autonome de déformation lors de phases de franchissement d'obstacles. Un réseau de neurones est entraîné via un algorithme génétique dans le but de franchir un escalier. Le prototype existant nous permet de valider expérimentalement ces résultats.

Un bon nombre d'expériences récentes en biologie mesurent des systèmes composés de plusieurs composants en interactions, comme par exemple les réseaux de neurones. Normalement, on a expérimentalement accès qu'au comportement collectif du système, même si on s'intéresse souvent à la caractérisation des interactions entre ses différentes composants. Cette thèse a pour but d'extraire des informations sur les interactions microscopiques du système à partir de son comportement collectif dans deux cas distincts. Premièrement, on étudie un système décrit par un modèle d'Ising plus général. On trouve des formules explicites pour les couplages en fonction des corrélations et magnétisations. Ensuite, on s'intéresse à un système décrit par un modèle de Hopfield. Dans ce cas, on obtient non seulement une formule explicite pour inférer les patterns, mais aussi un résultat qui permet d'estimer le nombre de mesures nécessaires pour avoir une inférence précise.

Dans cette thèse, nous étudions les applications potentielles des nano-dispositifs mémoires émergents dans les architectures de calcul. Nous montrons que des architectures neuro-inspirées pourraient apporter l'efficacité et l'adaptabilité nécessaires à des applications de traitement et de classification complexes pour la perception visuelle et sonore. Cela, à un cout moindre en termes de consommation énergétique et de surface silicium que les architectures de type Von Neumann, grâce à une utilisation synaptique de ces nano-dispositifs. Ces travaux se focalisent sur les dispositifs dit "memristifs", récemment (ré)-introduits avec la découverte du memristor en 2008 et leur utilisation comme synapse dans des réseaux de neurones impulsionnels. Cela concerne la plupart des technologies mémoire émergentes : mémoire à changement de phase - "Phase-Change Memory" (PCM), "Conductive-Bridging RAM" (CBRAM), mémoire résistive - "Resistive RAM" (RRAM)... Ces dispositifs sont bien adaptés pour l'implémentation d'algorithmes d'apprentissage non supervisés issus des neurosciences, comme "Spike-Timing-Dependent Plasticity" (STDP), ne nécessitant que peu de circuit de contrôle. L'intégration de dispositifs memristifs dans des matrices, ou "crossbar", pourrait en outre permettre d'atteindre l'énorme densité d'intégration nécessaire pour ce type d'implémentation (plusieurs milliers de synapses par neurone), qui reste hors de portée d'une technologie purement en "Complementary Metal Oxide Semiconductor" (CMOS). C'est l'une des raisons majeures pour lesquelles les réseaux de neurones basés sur la technologie CMOS n'ont pas eu le succès escompté dans les années 1990. A cela s'ajoute la relative complexité et inefficacité de l'algorithme d'apprentissage de rétro-propagation du gradient, et ce malgré tous les aspects prometteurs des architectures neuro-inspirées, tels que l'adaptabilité et la tolérance aux fautes. Dans ces travaux, nous proposons des modèles synaptiques de dispositifs memristifs et des méthodologies de simulation pour des architectures les exploitant. Des architectures neuro-inspirées de nouvelle génération sont introduites et simulées pour le traitement de données naturelles. Celles-ci tirent profit des caractéristiques synaptiques des nano-dispositifs memristifs, combinées avec les dernières avancées dans les neurosciences. Nous proposons enfin des implémentations matérielles adaptées pour plusieurs types de dispositifs. Nous évaluons leur potentiel en termes d'intégration, d'efficacité énergétique et également leur tolérance à la variabilité et aux défauts inhérents à l'échelle nano-métrique de ces dispositifs. Ce dernier point est d'une importance capitale, puisqu'il constitue aujourd'hui encore la principale difficulté pour l'intégration de ces technologies émergentes dans des mémoires numériques.