Agenda
décembre
-
11:0012:00
Hussein Kazemi (LaBRI)
Title: Trajectory visibility at first sight
Abstract:
Let P be a simple polygon with n vertices, and let two moving entities q(t) and r(t) travel at constant (possibly distinct) speeds vq and vr along line-segment trajectories τq and τr inside P. We study the exact first-visibility time t∗= min t≥0: q(t) r(t) ⊆P, the earliest moment at which the segment joining q(t) and r(t) lies entirely within P.
Prior work by Eades et al. focused on this question in the setting of a simple polygon. They gave a one-shot decision algorithm running in O(n) time. For a stationary entity and a moving one, they suggested a structure that, after O(n log n) pre-processing, answers the decision query in O(log n) time, requiring O(n) space. In addition, for moving entities, after preprocessing time of O(n log⁵ n), they construct a data structure with O(n^{3/4} log³ n) query time and O(n log⁵ n) space. Variants for polygonal domains with holes or when entities cross the boundary of P lie beyond our scope.
In this work, we go beyond the decision to compute t* exactly under three models for a simple polygon P. When both trajectories are known in advance, we preprocess P in O(n) time and space and thereafter answer each query in O(log n) time. If one trajectory τr is fixed while τq is given as query, we build a structure in O(n log n) time and space that computes t∗in O(log² n) time per query. In a setting where the trajectories are not known in advance, we develop a randomized structure with O(n^{1+ε}) expected pre-processing time and O(n) space, achieving an O(√n polylog(n)) expected query time for any fixed ε > 0.
FrançaisLaBRI 178 -
09:3012:00
Le secteur agricole traverse une triple crise, à la fois sociale, économique et écologique, dont la résolution nécessite un changement de modèle productif. Pour les institutions politiques, la solution résiderait dans une transition jumelle, faisant du développement et de l'usage des technologies numériques un levier pour rendre le secteur plus soutenable. De nombreuses incertitudes existent cependant concernant les conséquences d'une telle stratégie. En particulier, d'un point de vue environnemental, peu d'études évaluent les effets d'un déploiement à grande échelle des équipements numériques pour l'agriculture. Pourtant, les effets néfastes de la matérialité du numérique sur l'environnement sont connus, et une multiplication des équipements et des infrastructures numériques pour l'agriculture représente un risque pour la soutenabilité du secteur. Cette thèse introduit des méthodes pour évaluer les impacts environnementaux d'un déploiement à grande échelle d'équipements numériques agricoles et de leur dépendance aux infrastructures. Le cadre général adopte une approche de scénarisation prospective et de modélisation paramétrique et conséquentielle. Une première contribution concerne l'estimation des impacts de technologies numériques déployées sur les exploitations d'un contexte agricole donné. Ce contexte est défini comme un type de production et une distribution de fermes de tailles variées. Cette méthode est appliquée à deux cas d'études pour la France hexagonale : l'identification et le suivi de chaleurs pour le bovin laitier, et les robots pour le désherbage mécanique et le semis automatisés en grandes cultures céréalières. Les résultats obtenus révèlent des impacts hétérogènes, dépendant du nombre d'équipements déployés, de leur masse et de leur complexité technologique. Les scénarios mobilisant les technologies les plus sophistiquées, et ayant recours à une masse d'équipements plus importante, ont tendance à avoir les impacts les plus élevés. Une seconde contribution prolonge le cas d'étude dédié aux robots désherbeurs, et porte sur les impacts associés à leur usage du réseau mobile. Cette méthode simule un déploiement de robots sur un territoire donné, à partir d'un ensemble de parcelles agricoles et d'une infrastructure réseau mobile existante, dont chaque site supporte un volume maximal de données. Les scénarios considérés varient en fonction de la conception des robots, et d'une conception à l'autre, les volumes de données envoyés par les robots diffèrent grandement. À partir d'une simulation du trafic, et de sa pression sur le réseau mobile, nous estimons les impacts additionnels sur les infrastructures existantes en termes d'empreinte carbone pour l'extraction et de la fabrication des équipements réseau requis, et celle associée à leurs consommations énergétiques. Nous estimons aussi la part des surfaces agricoles gérable par les robots déployés. Les résultats obtenus montrent que pour un usage intensif du réseau, les capacités du réseau actuel limitent grandement la quantité de robots déployable, et ce même en augmentant au maximum la capacité des sites existants. De plus, pour les scénarios les plus intensifs, la consommation électrique additionnelle du réseau est du même ordre de grandeur que celle des robots eux-mêmes. Ainsi, pour ces scénarios, seule une petite fraction des parcelles peut être gérée sans ajout de sites, et augmenter cette fraction impliquerait une augmentation importante de l’empreinte globale du réseau mobile considéré. Ce manuscrit offre un premier aperçu de l'empreinte carbone conséquentielle associée au déploiement d'équipements numériques sur les exploitations agricoles et de leur usage du réseau mobile.
Amphi LaBRI -
09:0018:00
Le workshop met en valeur le parcours et les expériences de femmes en recherche informatique et vise à inspirer des étudiantes en école d’ingénieures.
Voici le lien pour suivre ce workshop.
En distanciel -
09:3010:30
Understanding atomic and molecular scattering processes is fundamental to modeling ionization
dynamics, charge transfer mechanisms, and collision-induced transformations across physics,
chemistry, and biological environments. However, the accurate simulation of such complex many-
body interactions remains computationally demanding for classical methods, especially at higher
energies and for multi-electron targets. In this work, we explore cutting-edge quantum computing
methods to address these challenges and advance the theoretical description of scattering
phenomena.We develop a hybrid quantum computing framework that leverages quantum algorithms for state
preparation, Hamiltonian encoding and amplitude estimation to compute differential and total
cross sections with enhanced scalability. The approach incorporates quantum simulations of
continuum wavefunctions, electron-correlation effects and multi-channel scattering pathways,
offering a promising alternative to traditional computational techniques. Benchmark calculations for
representative atomic and molecular targets demonstrate the feasibility, accuracy and resource
efficiency of the proposed methods on emerging quantum hardware and simulators.This study highlights the growing potential of quantum computing as a transformative tool for
solving long-standing problems in collision physics, and outlines future directions for applying
quantum algorithms to complex scattering processes relevant to atomic, molecular, and biological
systems.FrançaisRoom 178 -
11:0012:00
La mécanique quantique a 100 ans cette année. Elle a, pendant toutes ces années, alimenté de multiples sources de belles mathématiques. Une telle source est la question toujours d’actualité : ``Mais en quoi donc est-elle si différente de la mécanique classique ?’’ Dans cet exposé nous illustrerons un aspect de cette interrogation : l’utilisation de quasi-probabilités (Wigner, Kirkwood-Dirac, ...) pour (tenter de) capter la frontière classique-quantique.
FrançaisÀ l'IMB -
14:0018:00
L’imagerie par résonance magnétique est aujourd’hui un outil incontournable pour l’étude du cerveau et le diagnostic de nombreuses maladies neurologiques. Elle permet d’observer la structure cérébrale et les anomalies de manière non invasive. Parmi les différentes séquences d’acquisition, la séquence FLAIR joue un rôle essentiel pour la détection des lésions cérébrales. Ces images sont largement utilisées dans la pratique clinique, notamment pour des pathologies telles que la sclérose en plaques, les tumeurs cérébrales ou les accidents vasculaires cérébraux. Cependant, leur analyse automatique demeure difficile en raison du faible contraste entre les tissus, du rapport signal/bruit limité et de la variabilité entre appareils d’imagerie. En neuroimagerie, l’analyse quantitative du cerveau repose de plus en plus sur des outils de segmentation automatique, capables d’identifier les structures anatomiques et les régions pathologiques.
La majorité de ces méthodes a été conçue pour des images T1w, considérées comme la référence pour la segmentation anatomique. Or, cette séquence n’est pas systématiquement acquise dans les protocoles cliniques, ce qui limite l’utilisation des outils existants. Dans de nombreux cas, la séquence FLAIR est la seule disponible, mais les approches classiques, conçues pour la T1w, échouent à fournir des résultats fiables. Cette thèse s’inscrit dans ce contexte et explore la possibilité de réaliser une segmentation fine du cerveau à partir d’images FLAIR uniquement. L’objectif est de développer des méthodes robustes, capables d’extraire des informations anatomiques et pathologiques pertinentes à partir de cette séquence, tout en s’adaptant à la variabilité des acquisitions et à la présence de lésions. Les travaux menés ont conduit au développement d’outils spécifiquement adaptés à la FLAIR, destinés à améliorer les performances des étapes de prétraitement et de segmentation dans un cadre clinique réaliste. Les résultats obtenus montrent qu’il est possible d’obtenir des segmentations cérébrales fines et cohérentes à partir de FLAIR seule, ouvrant ainsi la voie à l’exploitation de vastes bases de données cliniques jusque-là sous-utilisées. Ces approches démontrent également l’intérêt de concevoir des modèles spécialisés par modalité plutôt que des méthodes génériques indépendantes de la séquence. À terme, les outils développés pourraient être intégrés à la plateforme en ligne volBrain (https://volbrain.net) afin de faciliter leur diffusion auprès de la communauté scientifique et clinique.Amphi LaBRI -
09:3012:00
L’imagerie par résonance magnétique est aujourd’hui un outil incontournable pour l’étude du cerveau et le diagnostic de nombreuses maladies neurologiques. Elle permet d’observer la structure cérébrale et les anomalies de manière non invasive. Parmi les différentes séquences d’acquisition, la séquence FLAIR joue un rôle essentiel pour la détection des lésions cérébrales. Ces images sont largement utilisées dans la pratique clinique, notamment pour des pathologies telles que la sclérose en plaques, les tumeurs cérébrales ou les accidents vasculaires cérébraux. Cependant, leur analyse automatique demeure difficile en raison du faible contraste entre les tissus, du rapport signal/bruit limité et de la variabilité entre appareils d’imagerie. En neuroimagerie, l’analyse quantitative du cerveau repose de plus en plus sur des outils de segmentation automatique, capables d’identifier les structures anatomiques et les régions pathologiques.
La majorité de ces méthodes a été conçue pour des images T1w, considérées comme la référence pour la segmentation anatomique. Or, cette séquence n’est pas systématiquement acquise dans les protocoles cliniques, ce qui limite l’utilisation des outils existants. Dans de nombreux cas, la séquence FLAIR est la seule disponible, mais les approches classiques, conçues pour la T1w, échouent à fournir des résultats fiables. Cette thèse s’inscrit dans ce contexte et explore la possibilité de réaliser une segmentation fine du cerveau à partir d’images FLAIR uniquement. L’objectif est de développer des méthodes robustes, capables d’extraire des informations anatomiques et pathologiques pertinentes à partir de cette séquence, tout en s’adaptant à la variabilité des acquisitions et à la présence de lésions. Les travaux menés ont conduit au développement d’outils spécifiquement adaptés à la FLAIR, destinés à améliorer les performances des étapes de prétraitement et de segmentation dans un cadre clinique réaliste. Les résultats obtenus montrent qu’il est possible d’obtenir des segmentations cérébrales fines et cohérentes à partir de FLAIR seule, ouvrant ainsi la voie à l’exploitation de vastes bases de données cliniques jusque-là sous-utilisées. Ces approches démontrent également l’intérêt de concevoir des modèles spécialisés par modalité plutôt que des méthodes génériques indépendantes de la séquence. À terme, les outils développés pourraient être intégrés à la plateforme en ligne volBrain (https://volbrain.net) afin de faciliter leur diffusion auprès de la communauté scientifique et clinique.
Amphi LaBRI -
14:0018:00
La biologie des systèmes étudie les interactions et le comportement des composantes d’entités biologiques, telles que les molécules, les cellules, les organes et les organismes. Cette discipline met l'accent sur le rôle central des interactions complexes au sein des systèmes biologiques, en opposition à l'étude de leurs composantes de façon isolée.
La régulation de l'expression génique a des enjeux importants tant pour la biologie fondamentale que pour de nombreuses applications biomédicales. L’étude de l’expression génique en biologie des systèmes repose sur la modélisation mathématique et informatique des données expérimentales. Ces dernières ont connu des progrès significatifs au cours de la dernière décennie avec l'avènement du séquençage d'ARN en cellule unique (scRNA-seq), qui permet de mesurer l'expression génique avec une résolution sans précédent. Une première étape pour modéliser et comprendre l’expression génique consiste à inférer les interactions par lesquelles les gènes pourraient s’influencer les uns les autres. Actuellement, des méthodes statistiques et d'apprentissage profond sont utilisées, parallèlement aux analyses bioinformatiques, pour déduire des interactions plausibles à partir du scRNA-seq et d'autres sources de données. L'ensemble des interactions inférées constitue alors un réseau de régulation génique (GRN), un modèle statique des influences entre gènes. Les GRNs fournissent des informations précieuses, mais leur description ne permet pas d’expliquer les mécanismes de régulation à l'origine des phénomènes biologiques observés. Les modèles dynamiques visent à combler ce manque avec une vision mécaniste capable d'expliquer et de reproduire les variations observées dans les données. Les réseaux Booléens (BNs) constituent une classe particulière de systèmes dynamiques couramment utilisés pour modéliser la régulation de l'expression génique. Dans ces modèles, l'activité des entités biologiques est représentée comme active ou inactive. Cette représentation binaire permet de raisonner sur les relations causales entre entités sans avoir à estimer de paramètres cinétiques ou de seuils de régulation. Malgré les avancées récentes dans ce domaine, de nombreuses questions concernant la modélisation des données scRNA par BNs restent ouvertes. Dans ma thèse, je travaille sur deux axes principaux concernant les BNs et les données scRNA-seq.
Le premier axe consiste à relier les données scRNA-seq, quantitatives par nature, aux états qualitatifs des BNs. À cette fin, ma première contribution est la nouvelle méthode scBoolSeq, qui fournit une interprétation qualitative des données scRNA-seq expérimentales et permet également de générer des données scRNA-seq synthétiques prenant en compte les états Booléens d'activation génique. scBoolSeq a déjà été utilisé pour comparer des méthodes d'inférence utilisant les données scRNA-seq synthétiques susmentionnées reflétant la dynamique booléenne. Le deuxième axe consiste à appliquer la méthodologie d’entraînement et évaluation de modèles utilisée en apprentissage statistique à l’inférence de BNs. Celle-ci est souvent réalisée manuellement et ne tient compte que des expériences isolées. Ma proposition consiste à exploiter plusieurs conditions expérimentales comme suit : En inférant des réseaux booléens sur des conditions expérimentales « d'entraînement » et en mesurant leur pouvoir prédictif sur des données de validation, il est possible d'évaluer et d'optimiser ultérieurement leur pouvoir prédictif. Ainsi, mes recherches constituent une nouvelle direction qui combine des méthodes formelles avec l'apprentissage statistique afin d’améliorer la modélisation par réseaux booléens des données scRNA-seq.Amphi LaBRI -
09:3012:00
Oussama Laaroussi soutiendra sa thèse, le 19 décembre 2025 à 09h30, dans l’amphi du LaBRI.
L’intitulé de sa thèse est : « Un système de recommandation adaptatif basé sur la classification incrémentale dans un environnement d’e-learning ».
Amphi LaBRI