Centre pour l'IA appliquée

Artificial intelligence, and in particular recent advances in generative models and large language models, have enabled transformative applications across healthcare, software development, telecommunications, manufacturing, and decision-making in both the public and private sectors. Yet the inner workings of these systems remain largely a black box, and fundamental questions about their trustworthiness are still unresolved. Researchers at the Faculty of Engineering bridge foundational machine learning with real-world engineering applications to tackle these challenges head-on.

Our faculty offers expertise across the entire AI pipeline. We examine the data that fuels large-scale AI systems, investigating issues of data quality, faithfulness, and privacy, and asking how training data should be collected, curated, and protected. We probe the training process itself, developing tools and theories that open the black box and reveal how models learn, what they memorize, and where they can fail. And we rigorously evaluate and benchmark deployed AI models across multiple dimensions, including fairness, robustness, safety, and alignment, to provide principled answers to the question: how trustworthy is this system, and for whom?

Building on these foundations, our researchers study how to responsibly leverage AI across critical engineering domains. This includes AI-assisted software verification and testing, secure and intelligent communications networks, natural language processing, and the development of autonomous agents and robotic systems capable of operating safely in complex real-world environments. Crucially, we do not treat ethics and law as an afterthought: our researchers also examine the ethical, legal, and societal implications of AI technologies, ensuring that the systems we help build are not only technically sound but societally responsible.

Chercheuses et chercheurs

Bissessar, David
Briand, Lionel
Chen, Boqi
Fattahi, Javad
Hamou-Lhadj, Abdel
Lu, Yiwei
Mao, Yongyi
Millar, Jason
Rahgozar, Arya
Sun, Bo
Yao, Jianping

Les avancées en intelligence artificielle — en particulier les progrès récents des modèles génératifs et des grands modèles de langage — ont permis l’émergence d’applications transformatrices dans des domaines tels que la santé, le développement logiciel, les télécommunications, la fabrication et la prise de décision, tant dans les secteurs public que privé. Pourtant, le fonctionnement interne de ces systèmes demeure en grande partie une boîte noire, et des questions fondamentales concernant leur fiabilité restent sans réponse. Les chercheurs de la Faculté de génie établissent un pont entre l’apprentissage automatique fondamental et les applications d’ingénierie du monde réel afin de relever ces défis de front.

Notre faculté offre une expertise couvrant l’ensemble de la chaîne de valeur de l’IA. Nous examinons les données qui alimentent les systèmes d’IA à grande échelle, en étudiant les enjeux de qualité, de fidélité et de confidentialité des données, et en nous interrogeant sur la manière dont les données d’entraînement devraient être collectées, organisées et protégées. Nous analysons également le processus d’entraînement lui‑même, en développant des outils et des théories qui ouvrent la boîte noire et révèlent comment les modèles apprennent, ce qu’ils mémorisent et où ils peuvent échouer. Enfin, nous évaluons et comparons rigoureusement les modèles d’IA déployés selon de multiples dimensions — équité, robustesse, sécurité et alignement — afin d’apporter des réponses fondées à la question suivante : dans quelle mesure ce système est‑il digne de confiance, et pour qui?

En s’appuyant sur ces fondements, nos chercheurs étudient comment exploiter l’IA de manière responsable dans des domaines d’ingénierie critiques. Cela inclut la vérification et les tests logiciels assistés par IA, les réseaux de communication intelligents et sécurisés, le traitement du langage naturel, ainsi que le développement d’agents autonomes et de systèmes robotiques capables d’opérer en toute sécurité dans des environnements réels complexes. Fait essentiel, nous ne considérons pas l’éthique et le droit comme des éléments secondaires : nos chercheurs examinent également les implications éthiques, juridiques et sociétales des technologies d’IA, afin de garantir que les systèmes que nous contribuons à développer soient non seulement techniquement solides, mais aussi socialement responsables.

Chercheuses et chercheurs

Chen, Nan
Fattahi, Javad
Habash, Riadh
Sun, Bo

L’intelligence artificielle transforme profondément notre manière de travailler, de communiquer, de prendre des décisions, de comprendre le monde et d’y évoluer. À mesure que ces systèmes deviennent plus puissants et omniprésents, les dimensions éthiques de leur conception, de leur déploiement et de leur gouvernance deviennent impossibles à ignorer. À la Faculté de génie de l’Université d’Ottawa, l’éthique de l’IA — qui porte sur des valeurs telles que la sécurité, l’équité, la transparence, la responsabilité et la protection de la vie privée — n’est pas une préoccupation périphérique de la recherche en IA. C’est un fondement.

Dans la recherche fondamentale en IA, les considérations éthiques influencent les problèmes jugés dignes d’être résolus, la manière dont les données sont collectées et utilisées, ainsi que les risques acceptables dans la quête de nouvelles connaissances. Mais les enjeux sont encore plus élevés dans la recherche appliquée en IA, lorsque les systèmes quittent le laboratoire pour entrer dans le monde réel et affecter des personnes dans des domaines cruciaux : transport, sécurité nationale, santé, justice pénale, éducation, travail et infrastructures publiques. Ici, des valeurs abstraites se traduisent en choix de conception concrets ayant un impact humain mesurable.

L’éthique de l’IA appliquée exige que les chercheurs se demandent non seulement peut‑on construire cela, mais aussi devrait‑on le faire, comment, et pour qui. Elle requiert un engagement continu auprès des communautés concernées, des tests rigoureux pour détecter les biais et autres modes de défaillance sociotechniques, ainsi qu’une réflexion honnête sur les compromis entre performance et valeurs concurrentes telles que l’équité et la sécurité.

Ce travail devient de plus en plus indissociable du droit et des politiques émergentes. Des cadres réglementaires majeurs — notamment l’AI Act de l’Union européenne et les normes en évolution d’organismes comme le NIST et l’ISO — transforment les considérations éthiques en obligations juridiques. Les chercheurs en IA appliquée doivent comprendre et interagir avec ces environnements réglementaires afin de concevoir des systèmes qui soient non seulement innovants, mais aussi conformes, fiables et socialement légitimes.

L’éthique de l’IA n’est pas une contrainte à l’innovation; c’est ce qui rend l’innovation bénéfique.

Chercheuses et chercheurs

Bissessar, David
Fraser, Kathleen
Habash, Riadh
Hamou-Lhadj, Abdel
Intahchomphoo, Channarong
Millar, Jason

La Faculté de génie de l’Université d’Ottawa s’impose comme un chef de file national dans la recherche en IA appliquée aux systèmes autonomes, à la robotique, à la connectivité intelligente et aux infrastructures cyber‑physiques résilientes. Elle abrite un écosystème interdisciplinaire de chercheurs spécialisés à l’intersection de l’IA, de la robotique, des communications, des réseaux, des systèmes de contrôle, de la détection et de la cybersécurité des systèmes physiques, afin de faire progresser les technologies autonomes et connectées de prochaine génération.

Les chercheurs de la Faculté développent activement des technologies pour les systèmes de transport intelligents, les systèmes sans équipage, la coordination en essaim, les stations de base aériennes, la prise de décision autonome et la connaissance situationnelle améliorée par l’IA pour des environnements dynamiques et critiques. La recherche s’appuie sur des laboratoires avancés, des bancs d’essai pour systèmes autonomes, des plateformes UAV, des environnements de simulation immersifs, des installations de robotique et de contrôle, ainsi que sur une infrastructure de communication de nouvelle génération.

La Faculté joue également un rôle de premier plan dans des initiatives collaboratives d’envergure axées sur les systèmes autonomes et les infrastructures activées par l’IA. Cela inclut le programme pancanadien Training and Research in Reliable Services for Autonomous Systems in the Air and on Land et l’initiative ontarienne Secure, Intelligent and Trustworthy Ecosystems for Connected and Autonomous Vehicles, qui réunissent l’expertise de plus de dix chercheurs de la Faculté en communications, robotique, réseaux, systèmes autonomes, contrôle, cybersécurité et IA physique.

Les chercheurs de la Faculté contribuent également aux normes et activités de normalisation liées aux systèmes autonomes, notamment aux cadres de sécurité et d’exploitation tels que UL, SOTIF, les initiatives ISO et les groupes de travail 3GPP visant à encadrer les systèmes intelligents et autonomes en réseau. La Faculté est étroitement intégrée à l’écosystème régional d’innovation grâce à des collaborations avec l’industrie, le gouvernement et des installations extérieures de R‑D, permettant l’expérimentation et la validation en conditions réelles des systèmes autonomes.

Chercheuses et chercheurs

Bissessar, David
Briand, Lionel
Gueaieb, Wail
Kantarci, Burak
Laganiere, Robert
Lang, Jochen
Millar, Jason
Spinello, Davide

Les systèmes de détection et de mesure intelligents sont des infrastructures basées sur des capteurs qui non seulement acquièrent des grandeurs physiques, mais les interprètent, apprennent à partir d’elles et agissent en fonction de ces mesures de manière contextuelle.

Assistés par l’intelligence artificielle (IA), ces systèmes fusionnent soit des capteurs traditionnels avec des microprocesseurs intégrés et des interfaces de communication, soit adoptent des capteurs souples ou virtuels. L’intégration de l’IA permet à ces systèmes de percevoir des motifs, d’apprendre des modèles, d’analyser des signaux complexes et de prédire des états futurs à partir de flux continus de mesures. Ils fournissent non seulement des estimations précises, mais aussi une incertitude quantifiée et une calibration traçable, soutenant ainsi des mesures fiables et évolutives dans des environnements hautement automatisés et activés par l’IA. Cela ferme la boucle entre la mesure et la décision.

Leur vaste éventail d’applications s’étend des usines intelligentes et des infrastructures critiques à la surveillance environnementale, aux villes intelligentes, aux mesures médicales et bien plus encore. Dans la production industrielle, ils permettent l’analyse de processus en temps réel, l’assurance qualité en ligne, la maintenance prédictive, la détection de défaillances et la surveillance de l’état des actifs. Pour les infrastructures civiles, des réseaux denses de nœuds intelligents permettent la surveillance de l’intégrité structurale de ponts, de bâtiments et d’installations nucléaires, en détectant, localisant et prédisant les dommages.

Chercheuses et chercheurs

Bissessar, David
Dragomirescu, Elena
Laganiere, Robert
Lang, Jochen
Matwin, Stan
Tee, Yi Hui
Yao, Jianping

À mesure que l’IA s’intègre profondément dans les infrastructures critiques, les télécommunications, les soins de santé et la sécurité nationale, la cybersécurité et la protection de la vie privée deviennent des enjeux de recherche de plus en plus complexes et urgents. À la Faculté de génie, un solide regroupement d’expertises aborde ces défis dans toute leur ampleur — des fondements théoriques jusqu’au déploiement opérationnel.

Au cœur de ces travaux se trouve le uOttawa–IBM Cyber Range, une installation dédiée à la simulation de scénarios réels de cyberattaques, permettant aux chercheurs, aux étudiants et aux partenaires industriels de s’entraîner et de tester des défenses dans des conditions réalistes. Les recherches menées au Cyber Range appliquent l’IA, les grands modèles de langage et les agents autonomes à des problèmes tels que la détection d’hameçonnage, l’analyse de logiciels malveillants, la détection de vulnérabilités, la détection d’intrusions et l’analyse d’anomalies dans les journaux — avec pour objectif central de neutraliser la cybercriminalité avant qu’elle ne cause des dommages.

Des travaux complémentaires s’attaquent au défi de concevoir des outils de sécurité robustes basés sur l’IA lorsque les données étiquetées sont rares ou déséquilibrées, en utilisant des modèles génératifs, l’apprentissage semi-supervisé et la détection d’anomalies pour rendre l’identification des menaces plus précise et plus évolutive.

Du côté de l’Internet des objets (IoT) et des systèmes embarqués, des recherches actives portent sur l’analyse de logiciels malveillants, l’empreinte de code, l’évaluation des vulnérabilités et la génération de renseignements sur les menaces, en appliquant l’IA pour sécuriser les dispositifs interconnectés qui soutiennent les infrastructures modernes.

Un domaine d’intérêt croissant concerne la sécurité des systèmes d’IA eux‑mêmes. À mesure que les modèles d’apprentissage automatique sont déployés dans des contextes à enjeux élevés, les recherches examinent des menaces telles que l’empoisonnement des données, les attaques adversariales et la manipulation de modèles — afin de garantir que l’IA demeure digne de confiance même face à des attaques délibérées.

Enfin, des travaux théoriques sur les fondements cryptographiques — notamment la cryptographie post‑quantique, la pseudo‑aléa et les technologies de protection de la vie privée — fournissent les bases rigoureuses dont dépendent les systèmes activés par l’IA.

Chercheuses et chercheurs

Adams, Carlisle
Bissessar, David
Briand, Lionel
Chen, Nan
Hamou-Lhadj, Abdel
Jourdan, Guy-Vincent
Kantarci, Burak
Lu, Yiwei
Shirani, Paria

Les chercheurs du Centre d’IA appliquée de l’Université d’Ottawa apportent une expertise approfondie en génie logiciel (GL) à l’un des défis les plus pressants du domaine : concevoir des systèmes logiciels alimentés par l’IA auxquels les praticiens peuvent réellement faire confiance. Notre travail est guidé par un principe central : l’IA est la plus efficace lorsqu’elle est intégrée aux tâches du génie logiciel avec la même rigueur et la même discipline que celles appliquées à tout autre système.

Nous appliquons un large éventail de techniques d’IA — y compris les grands modèles de langage (LLM), le traitement du langage naturel (NLP) et l’apprentissage automatique traditionnel — pour améliorer l’efficacité et la fiabilité des activités de génie logiciel, depuis les exigences et la conception jusqu’à l’implémentation et les tests. Parallèlement, nous utilisons des techniques de GL telles que les spécifications formelles, les méthodes de modélisation logicielle et les tests logiciels pour renforcer la fiabilité des systèmes activés par l’IA, y compris les systèmes autonomes comportant des composants d’IA.

Nos recherches actuelles couvrent la génération de code fiable basée sur l’IA, l’analyse des exigences pilotée par l’IA, la conception logicielle assistée par l’IA, les tests et la vérification des systèmes autonomes, ainsi que l’assurance de la sécurité des logiciels intégrant de l’IA.

En combinant les capacités de l’IA avec les principes établis du génie logiciel, notre objectif est de produire des systèmes logiciels non seulement plus performants, mais aussi plus fiables, dignes de confiance et sécuritaires. Nous accueillons favorablement les collaborations avec des partenaires industriels et des organismes gouvernementaux souhaitant adopter l’IA de manière responsable dans leurs pratiques logicielles.

Chercheuses et chercheurs

Bissessar, David
Briand, Lionel
Chen, Boqi
Lethbridge, Timothy
Shirani, Paria

Nos professeurs possèdent une expertise approfondie dans les approches statistiques et d’apprentissage profond appliquées au traitement automatique du langage naturel (TALN) et à la linguistique informatique. Les domaines de recherche comprennent notamment l’ajustement fin et l’évaluation des grands modèles de langage (LLM), la classification de textes, la recherche d’information, la détection et l’atténuation des biais, l’explicabilité, la sémantique lexicale et la génération augmentée par récupération. Nous accordons également une grande importance à l’IA responsable, y compris l’évaluation de la sécurité avant et après le déploiement.

Nous bénéficions aussi de nombreuses années d’expérience dans des domaines à enjeux élevés tels que la santé et le droit, grâce à des partenariats avec L’Hôpital d’Ottawa, le Bruyère Research Institute, la Faculté de droit et plusieurs PME ottaviennes. Parmi les projets récents figurent : la détection des discours haineux dans des contextes textuels et multimodaux; le dépistage automatisé de troubles mentaux, cognitifs et neurologiques à partir du langage produit par les patients; l’identification des risques involontaires associés à l’ajustement fin et à la récupération dans les LLM; et la classification explicable des émotions.

En plus de la recherche fondamentale en TALN, notre faculté explore activement les applications du TALN pour résoudre des problèmes en science et en génie, notamment en ingénierie des exigences, en génération automatisée de tests, en conformité réglementaire, et bien plus encore.

Chercheuses et chercheurs

Fraser, Kathleen
Mao, Yongyi
Matwin, Stan
Rahgozar, Arya

Les réseaux sans fil peuvent être considérés comme les autoroutes de l’information des sociétés modernes, assurant la connectivité des utilisateurs, des robots et des agents d’IA. Chaque génération de réseaux sans fil — du 2G au 3G, au 4G, puis au 5G — a augmenté la capacité, permettant de transmettre davantage de données à un plus grand nombre d’utilisateurs.

Dans les réseaux de prochaine génération, l’IA jouera un rôle clé pour améliorer les performances et permettre de nouveaux cas d’usage. Les innovations à l’intersection de l’IA et des communications sans fil gagnent en importance. L’utilisation de techniques d’IA de pointe, leur adaptation aux problèmes de contrôle des réseaux sans fil et la création de solutions innovantes qui rendent les réseaux plus performants et plus autonomes sont au cœur de ces avancées.

Les possibilités de recherche permettent aux étudiants aux cycles supérieurs de mener des travaux primés, de remporter des distinctions et d’acquérir une expérience industrielle précieuse grâce à des projets conjoints avec l’industrie. De plus, des programmes d’excellence tels que les Chaires de recherche du Canada, les collaborations continues avec le Vector Institute et la participation aux activités d’autres grands instituts d’IA au Canada offrent des occasions exceptionnelles aux étudiants souhaitant exceller en IA et en communications sans fil. Ce nouveau centre d’IA amplifiera l’impact de la recherche, renforcera la collaboration et créera de nouvelles possibilités d’apprentissage pour les étudiants.

Chercheuses et chercheurs

Chen, Nan
Kantarci, Burak
Yao, Jianping

À l’Université d’Ottawa, la recherche sur les infrastructures critiques vise à améliorer la durabilité, la résilience et la performance à long terme des systèmes d’ingénierie grâce à une approche intégrée combinant la science des matériaux, le génie des structures et les méthodes fondées sur les données. Les travaux portent sur les mécanismes fondamentaux de dégradation et les défis liés au cycle de vie qui touchent les actifs d’infrastructure dans divers environnements et systèmes de matériaux, tout en faisant progresser des solutions durables et à faible empreinte carbone.

L’intelligence artificielle est de plus en plus utilisée comme outil pratique pour mieux interpréter des ensembles de données complexes, soutenir la modélisation prédictive et améliorer la prise de décision dans la gestion des actifs d’infrastructure. Par exemple, des approches basées sur l’IA ont été développées pour automatiser des techniques de caractérisation avancées, notamment l’inspection visuelle et les analyses microscopiques, améliorant ainsi la rapidité, la cohérence et l’objectivité des évaluations d’état.

Plus largement, ces efforts visent à relier les observations expérimentales, la performance sur le terrain et les technologies numériques, permettant une gestion des infrastructures critiques plus fiable, plus efficace et plus durable.

Chercheuses et chercheurs

Bissessar, David
Bonakdari, Hossein
Chen, Nan
Dragomirescu, Elena
Fattahi, Javad
Kantarci, Burak
Mohammadian, Majid
Sanchez Moretti, Leandro Francisco
Shirani, Paria
Wang, Di

Notre équipe s’est imposée comme pionnière dans les nouvelles approches d’IA appliquées aux matériaux et aux procédés de fabrication. Nous accordons une importance particulière à la haute performance, au faible coût et à la forte évolutivité pour une production industrielle dépassant le cadre du laboratoire. Nous ciblons notamment des secteurs clés tels que l’énergie, l’aérospatiale, l’automobile, la défense et la fabrication, avec un accent particulier sur la durabilité, la production d’hydrogène et le stockage de l’hydrogène.

Une spécificité distinctive de notre approche est son caractère holistique : les simulations par IA, la validation par la théorie de la fonctionnelle de la densité (DFT), la synthèse expérimentale, la caractérisation avancée des matériaux en laboratoire, les essais de propriétés et l’évaluation des performances sont intégrés dans une boucle fermée sophistiquée permettant d’optimiser rapidement, en quelques itérations, à la fois les modèles et les résultats expérimentaux. Cela peut entraîner une réduction exceptionnelle des cycles de recherche et développement pour des matériaux, composants, équipements et systèmes complexes.

L’un des points forts de notre approche réside dans sa capacité à dépasser les limites traditionnelles des essais expérimentaux, des règles empiriques et des méthodes déterministes fondées sur les premiers principes pour naviguer dans des systèmes multicomposants complexes.

À un niveau fondamental, nous exploitons le big data et le calcul haute performance pour appliquer la conception directe par IA, permettant de prédire les propriétés de matériaux et de systèmes connus. À un niveau avancé, nous sommes devenus un leader mondial de la conception inverse par IA pour la découverte de nouveaux matériaux et de leurs procédés de fabrication, adaptés à des applications exigeantes avec des propriétés et performances ciblées. Nous prédisons — et réalisons expérimentalement — la composition chimique optimale, la structure cristalline, la microstructure et les paramètres de synthèse. Cela est rendu possible grâce à des modèles non supervisés et/ou semi‑supervisés intégrant des séquences d’algorithmes d’IA déconstructifs, incluant l’apprentissage profond, l’apprentissage génétique évolutif, l’apprentissage métrique et l’apprentissage adaptatif.

Chercheuses et chercheurs

Fauteux-Lefebvre, Clémence
Jodoin, Bertrand
Karthikeyan, Adya
Lessard, Benoit
Sanchez Moretti, Leandro Francisco

Nos activités de recherche actuelles en IA pour la santé couvrent plusieurs domaines, notamment l’analyse du mouvement humain, le traitement des données biomédicales, les systèmes de santé agentiques, l’informatique affective et la détection physiologique à distance.

Dans l’analyse du mouvement humain, l’IA a transformé de nombreux domaines, améliorant les algorithmes existants et révélant de nouvelles connaissances à partir de grands ensembles de données. Nous utilisons l’IA pour la capture de mouvement sans marqueurs, où les angles articulaires sont estimés directement à partir de la vidéo. Nous utilisons également l’IA pour construire des modèles statistiques de forme permettant de distinguer les articulations saines des articulations pathologiques, dans le but d’améliorer les résultats cliniques après une ostéochondroplastie. Enfin, nous utilisons des algorithmes évolutionnaires pour générer des simulations prédictives de la marche humaine augmentée par des dispositifs d’assistance portables.

Un autre domaine important de recherche porte sur l’application de l’IA pour améliorer la manière dont la littérature scientifique et clinique est recherchée, filtrée, extraite, synthétisée et continuellement mise à jour. En transformant de grands volumes de recherche non structurée en données structurées et exploitables, ces approches aident les cliniciens, les chercheurs et les décideurs du système de santé à accéder plus efficacement aux connaissances actuelles, soutenant ainsi les soins fondés sur les données probantes et réduisant le gaspillage en recherche.

Nous explorons également des systèmes d’IA agentiques conçus comme des collaborateurs structurés et centrés sur l’humain, aidant les patients, les cliniciens et les acteurs du système de santé à naviguer dans des décisions et des flux de travail complexes. Cela inclut des systèmes conversationnels et de recommandation qui soutiennent le triage, la navigation dans les soins et l’orientation contextuelle, tout en préservant la supervision humaine. Un principe central est que les agents d’IA en santé doivent être explicables, sûrs et socialement responsables.

Un autre volet de recherche examine comment les systèmes intelligents peuvent interpréter les états émotionnels et physiologiques humains à partir du langage, du comportement, des signaux de capteurs portables et d’autres données multimodales. Les applications comprennent la détection des idées suicidaires à l’aide de LLM et de données synthétiques, la détection physiologique à distance, la reconnaissance multimodale des affects et l’évaluation de la santé mentale assistée par IA.

Chercheuses et chercheurs

Bissessar, David
Fraser, Kathleen
Mao, Yongyi
Rahgozar, Arya
Turcotte, Marcel
Uchida, Thomas

Les biopharmaceutiques — allant de l’insuline aux thérapies anticancéreuses de nouvelle génération — sont produits à l’aide de cellules vivantes et transforment les soins de santé modernes. Toutefois, leur fabrication demeure complexe, exigeante en ressources et coûteuse. À l’Université d’Ottawa, nous faisons progresser les approches d’apprentissage automatique afin d’améliorer l’efficacité, l’évolutivité et la fiabilité des procédés de bioproduction.

Simulation fondée sur les données : L’optimisation traditionnelle des bioprocédés repose sur des expériences menées dans un ensemble limité de conditions pour identifier celles qui maximisent le rendement et minimisent le temps de production. Ces approches négligent souvent la dynamique complète des systèmes biologiques. En appliquant des techniques modernes d’apprentissage automatique à la modélisation de séries temporelles complexes, nous pouvons construire des simulateurs propres à chaque procédé, capables de prédire l’ensemble de la trajectoire d’un bioprocédé. Cela permet d’identifier plus précisément les conditions de fonctionnement optimales et les échéanciers de production, améliorant ainsi l’utilisation des équipements et l’efficacité globale.

Modélisation de la mise à l’échelle : Le passage du laboratoire à l’échelle industrielle est difficile en raison des changements dans l’écoulement des fluides, le transfert de chaleur et le transport de masse. Plutôt que de s’appuyer uniquement sur des modèles théoriques, nous utilisons l’apprentissage profond entraîné sur des données historiques pour prédire le comportement des procédés à plus grande échelle. Cette approche fondée sur les données réduit le besoin d’expérimentations coûteuses par essais et erreurs et accélère la production à grande échelle de thérapies essentielles.

Jumeaux numériques : Les bioréacteurs modernes génèrent de grandes quantités de données provenant de capteurs. Les modèles d’apprentissage automatique peuvent transformer ces données en informations exploitables, en estimant des variables clés telles que les niveaux de nutriments, la densité cellulaire et la concentration du produit. Combinés à des modèles prédictifs, ces systèmes forment des jumeaux numériques — des représentations virtuelles du bioréacteur — qui permettent la prévision en temps réel et le contrôle automatisé. Cela se traduit par des rendements plus élevés, une meilleure constance et une réduction des temps d’arrêt.

Chercheuses et chercheurs

Chahal, Shawn