Thèse Apprentissage des Modèles de Concurrence H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Méthodes Formelles Direction de la thèse : Uli FAHRENBERG ORCID 0000000190947625 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-05-12T23:59:59 L'objectif de cette thèse est de développer des algorithmes d'apprentissage efficaces pour les systèmes concurrents, en se concentrant principalement sur les automates en dimension supérieure et leurs généralisations, tout en explorant d'autres modèles de concurrence. Notre objectif principal est d'étendre les techniques d'apprentissage des automates aux structures exprimant la concurrence, en capturant des aspects clés tels que la causalité, la concurrence et les comportements non entrelacés. Une attention particulière sera portée à la conception d'algorithmes d'apprentissage pour les ensembles de processus pomsets série-parallèle, les ensembles de processus pomsets à intervalles et d'autres modèles de concurrence capables de décrire une large gamme de systèmes. La vérification, en tant que domaine, englobe diverses techniques, telles que la vérification de modèles, qui garantissent qu'un système répond à une spécification donnée. Les premières sont souvent représentées par des machines abstraites, et les secondes par des formules de logique temporelle. La modélisation manuelle d'un système est une tâche complexe et sujette aux erreurs. De plus, les modèles obtenus sont souvent difficiles à maintenir, ce qui motive la génération automatique de modèles formels. C'est là qu'intervient l'apprentissage automatique, afin d'inférer automatiquement une représentation structurée du comportement d'un système. Bien que l'apprentissage se soit avéré efficace pour inférer des automates modélisant des programmes séquentiels, il existe un manque de modèles apprenables adaptés aux programmes concurrents. Ces programmes nécessitent des modèles capables de représenter efficacement les comportements parallèles et les ordres partiels d'événements.
- développer des algorithmes d'apprentissage efficaces pour les systèmes concurrents, en se concentrant principalement sur les automates en dimension supérieure et leurs généralisations, tout en explorant d'autres modèles de concurrence.
- étendre les techniques d'apprentissage des automates aux structures exprimant la concurrence, en capturant des aspects clés tels que la causalité, la concurrence et les comportements non entrelacés.
- conception d'algorithmes d'apprentissage pour les ensembles de processus pomsets série-parallèle, les ensembles de processus pomsets à intervalles et d'autres modèles de concurrence capables de décrire une large gamme de systèmes.

théorie des automates
théorie de la concurrence
algorithmes