Incertitudes pour les tâches de régression avec des réseaux de neurones sur graphes

L'objectif de cette thèse est de travailler sur l'utilisation de réseaux de neurones sur graphes, dans l'optique de pouvoir déterminer des quantités physiques, dépendantes du cas d'application, à partir des mesures effectuées avec des réseaux de capteurs distribués spatialement. L'utilisation de réseaux de neurones sur graphes (GNN) se prête particulièrement bien à cette problématique dans la mesure où le réseau de capteurs peut être irrégulier, avec ajout ou suppression de capteurs en fonction du temps. Un effort tout particulier sera porté sur la détermination des incertitudes de prédiction de ces réseaux de neurones, point crucial en machine learning à l'heure actuelle. L'approche considérée consiste à entraîner ces réseaux à partir de jeux de simulations physiques réalistes. Ces simulations peuvent néanmoins être coûteuses, peu nombreuses et ne pas couvrir l'ensemble des paramètres accessibles à la mesure. Le cas d'application principal sera le projet GRAND, qui vise à déterminer l'origine des rayons cosmiques d'ultra-haute énergie à l'aide d'un réseau de 200 000 antennes radio déployées à l'horizon 2030. Toutefois, les méthodes développées dans cette thèse pourront servir à d'autres applications, par exemple en radioprotection ou en sismologie.