La révolution du Deep Learning au cours de la dernière décennie a progressivement envahi tous les domaines de la science numérique et s'impose peu à peu comme un complément aux modèles physiques et basés sur la connaissance à toutes les étapes de la modélisation, de la simulation, de l'optimisation et du contrôle des systèmes complexes.

Des présentations contributives sont sollicitées, couvrant divers sujets dans le domaine, y compris mais non limité à ce qui suit :

- Manipuler et expliquer les données de sortie massives des simulations numériques lourdes.
- Accélération des simulations numériques grâce à l'apprentissage profond ou automatique.
- Amélioration de la précision ou de la robustesse des simulations grâce à l'apprentissage automatique.
- Apprendre à résoudre des ODE et des EDP
- Découverte de modèles mécanistes/comportementaux à partir de données
- Incorporation de contraintes physiques dans l'apprentissage profond
- Fournir une aide à la prise de décision améliorée pour les systèmes complexes.
- Nouvelles interactions homme-ordinateur
- Hybridation de l'IA symbolique et numérique
- Techniques de traitement du langage naturel basées sur l'IA
- Hybridation de l'apprentissage profond avec l'intelligence artificielle symbolique
- Techniques d'extraction de connaissances et de raisonnement à partir de données hétérogènes
- Alignement d'ontologies et de graphes de connaissances
- Traitement et raisonnement de flux (données vidéo et textuelles)

Date limite de soumission des résumés : 4 novembre 2022.

Comité scientifique :

• Patrice Aknin (IRT SystemX)
• Faicel Chamroukhi (IRT SystemX)
• Eric Duceau (ENPC)
• Céline Hudelot (CentraleSupélec)
• Mostepha Khouadjia (IRT SystemX)
• Juliette Mattioli (Groupe Thales)
• Marc Schoenauer (Inria)
• Mouadh Yagoubi (IRT SystemX)