09/07/2025 Le Groupement de recherche Modélisation, analyse et conduite des systèmes dynamiques (GDR MACS) fédère la communauté française de l'automatique au sens large lors de son grand séminaire MACS à l'automne 2025.
Qu’il s’agisse d’objets du quotidien (électroménagers, téléphonie mobile), de systèmes robotiques (drones, robots industriels), de véhicules (automobiles, aéronautiques, marins), ou encore d’infrastructures à grande échelle (réseaux d’énergie, systèmes de production), tous ces processus dynamiques reposent sur des systèmes décisionnels capables d’en assurer le bon fonctionnement de manière autonome. Le GDR MACS est coordonné par Dimitri Peaucelle, directeur de recherche CNRS au Laboratoire d'analyse et d'architecture des systèmes (LAAS-CNRS), Gülgün Alpan, professeure à l’Institut polytechnique de Grenoble et membre du laboratoire Sciences pour la Conception, l'Optimisation et la Production de Grenoble (G-SCOP – CNRS/Université Grenoble Alpes) et Romain Postoyan, directeur de recherche CNRS au Centre de Recherche en Automatique de Nancy (CRAN – CNRS/Université de Lorraine) et se situe au cœur de ce vaste domaine de recherche. Il fédère ainsi plus d’un millier de membres qui contribuent activement au développement des systèmes décisionnels de demain.
Le grand séminaire MACS de l’automne 2025 : une occasion unique de faire dialoguer les communautés automatique et apprentissage
L’édition 2025 du grand séminaire MACS, les 15 et 16 octobre 2025 au Centre International de Conférences de Sorbonne Université, offrira une opportunité privilégiée pour stimuler les échanges et favoriser le dialogue entre des communautés aux expertises complémentaires, autour d’une thématique au fort potentiel scientifique et technologique. Cet événement aura pour thème : “Apprentissage et systèmes dynamiques” et réunira des experts de renom issus des différentes communautés concernées autour de conférences invitées comme Francis Bach, directeur de recherche Inria au Département d'Informatique de l'École Normale Supérieure (DI ENS – CNRS/ENS-PSL), Gérard Biau, professeur à Sorbonne Université et membre du Laboratoire de probabilités, statistique et modélisation (LPSM – CNRS/Sorbonne Université/Université Paris Cité) ou encore Michel Fliess, directeur de recherche CNRS émérite au Laboratoire d'Informatique de l'École Polytechnique (LIX – CNRS/École polytechnique). Des sessions posters permettront également aux doctorantes et doctorants le souhaitant, d’exposer leurs travaux.
Cet événement donne l’occasion de faire un tour d’horizon des apports croisés de ces deux disciplines.
L’apprentissage, une nouvelle voie pour le pilotage des processus dynamiques.
L’approche traditionnelle pour le pilotage des systèmes dynamiques repose sur la construction d’un modèle mathématique ou numérique basé sur les lois de la physique, servant ensuite à concevoir un système décisionnel adapté. L’apprentissage automatique introduit une évolution de ce paradigme en permettant de concevoir directement une politique de décision à partir de données, sans nécessairement passer par une modélisation explicite. L’apprentissage automatique tend ainsi aujourd’hui à compléter les approches fondées sur la physique : leur couplage permet d’exploiter à la fois les données disponibles et les connaissances structurelles sur le système, pour concevoir des systèmes décisionnels plus robustes et efficaces.
Cette capacité ouvre des perspectives nouvelles, notamment pour des processus dont la complexité ou la variabilité rendent difficile l’élaboration de modèles suffisamment fidèles, comme en neurosciences, ou dans la gestion des réseaux de transport ou d’énergie. L’apprentissage pourrait ainsi contribuer à automatiser et simplifier certaines étapes de la conception tout en s’intégrant harmonieusement aux outils classiques du contrôle.
Apprentissage et automatique : un duo gagnant-gagnant étudié au sein du GDR MACS
L’apprentissage a également beaucoup à gagner des techniques issues de l’automatique.
Des enjeux majeurs, tels que la robustesse et la fiabilité des algorithmes d’apprentissage, restent aujourd’hui largement ouverts, en particulier dans les applications critiques comme les véhicules autonomes ou la chirurgie assistée. Ces problématiques sont au cœur des expertises portées par la communauté du GDR MACS, qui développe des outils rigoureux pour garantir performance, sûreté et stabilité des systèmes pilotés.
En particulier, l’intégration de connaissances a priori sur les systèmes, comme les lois physiques ou les contraintes structurelles, permet de guider l’apprentissage, d’éviter les solutions non plausibles et d’améliorer significativement la généralisation des modèles appris. Ces approches hybrides, où la modélisation physique enrichit les techniques d’apprentissage ouvrent la voie à des systèmes plus fiables et interprétables.
L’apprentissage automatique partage aussi de nombreux points communs avec des domaines historiques de l’automatique, comme l’identification des systèmes dynamiques ou la commande adaptative, ce qui favorise des échanges fructueux entre les deux communautés. Ces synergies, en pleine expansion, permettent non seulement d’accroître les performances des algorithmes, mais aussi de renforcer leur ancrage dans les réalités métier des domaines d’application.
Article source : CNRS Sciences infromatiques