ANR PRME Ceradoc

Création d'algorithmes pour des circuits décomposables compacts

À mesure que les systèmes d’intelligence artificielle (IA) s’intègrent de plus en plus dans des domaines sensibles, le besoin de transparence, de fiabilité et d’explicabilité devient primordial. Ce projet vise à renforcer la confiance dans l’IA en exploitant des techniques de compilation de connaissances, notamment par l’optimisation des représentations en d-DNNF (Forme Normale de Négation Déterministe Décomposable). En examinant les propriétés fondamentales des d-DNNF, nous nous attacherons à développer des méthodes pour concevoir des représentations de circuits plus compactes, tout en préservant les capacités computationnelles du langage.

Plus précisément, le projet se concentrera sur le développement d’heuristiques pour la décomposition sémantique, l’optimisation du partage des sous-circuits et l’enrichissement de notre compréhension des différentes fonctions adaptées au comptage de modèles pondérés. De plus, nous examinerons le potentiel des représentations mixtes qui combinent les d-DNNF avec d’autres langages de représentation, afin de faciliter la certification du comptage de modèles et de réduire les temps de calcul lors de l’interrogation de ces circuits. Grâce à une analyse théorique approfondie et à une mise en œuvre pratique, notre travail a pour objectif de concevoir des outils permettant de certifier des systèmes d’IA, contribuant ainsi à leur transparence et à leur fiabilité dans des applications critiques telles que l’IA neuro-symbolique et la modélisation probabiliste.