Deux chercheurs rennais lauréats d’une prestigieuse bourse européenne

Découvrez les portraits des lauréats rennais 2024 :

Denys Nikolayev : une électronique sans fil adaptée au vivant

Denys Nikolayev est chargé de recherche au CNRS et dirige l’axe de recherche en bioélectronique sans fil à l'IETRInstitut d'électronique et des technologies du numérique (CNRS/Université de Rennes/Insa Rennes/Nantes Université/Centrale Supélec). Son travail se concentre sur le développement de structures rayonnantes pour le contrôle des ondes électromagnétiques dans des environnements complexes, tels que les tissus biologiques. Ce domaine de recherche combine la physique des ondes, les surfaces rayonnantes intelligentes, les technologies sans fil de transmission de données et d'alimentation, à l’interface entre recherche fondamentale et recherche clinique. Denys Nikolayev a obtenu un double doctorat en 2017 de l’Université de Rennes (France) et de Bohême de l'Ouest (République tchèque). Après un passage en Belgique, à l’Imec, et en Suisse, à École polytechnique fédérale de Lausanne, il intègre le CNRS en 2020.

Son projet BESSEL, financé par le Conseil européen de la recherche, vise à développer une nouvelle génération de dispositifs médicaux sans fil, capables de surveiller la santé et de fournir des traitements à l'intérieur du corps humain, sans nécessiter de batterie. Ces dispositifs pourraient notamment être utilisés pour détecter précocement des anomalies de santé, enregistrer et stimuler de manière précise les systèmes nerveux, ou encore réaliser des interventions chirurgicales à l'aide de micro-robots. L'un des principaux défis est de réussir à alimenter et contrôler ces dispositifs à distance, malgré les contraintes liées au corps humain, un milieu complexe et dynamique. Ces technologies permettront d'alimenter et de contrôler avec précision des dispositifs bioélectroniques miniaturisés implantés en profondeur. Le projet se concentrera sur trois axes principaux : étudier les ondes électromagnétiques dans les milieux anatomiques complexes du corps humain, concevoir de nouveaux dispositifs électromagnétiques reconfigurables pour mettre en œuvre les techniques de contrôle d'ondes et démontrer l'efficacité clinique de ces technologies en enregistrant et modulant l'activité nerveuse du pancréas.

Grâce à une approche interdisciplinaire combinant bioélectronique, physique des ondes, et ingénierie des systèmes rayonnants, BESSEL pourrait ouvrir la voie à des dispositifs bioélectroniques sans fil de pointe, avec un fort potentiel pour des applications médicales futures.

Nicolas Keriven : apprendre sur les graphes

En sciences des données, les graphes apparaissent dans de nombreux domaines d’applications, pour modéliser tous types d’interactions entre objets ou entités. Ils peuvent ainsi représenter aussi bien des molécules que des réseaux sociaux, physiques ou informatiques. L’apprentissage statistique sur graphes est une discipline relativement récente cherchant à appliquer aux graphes les progrès spectaculaires de ces dernières années pour les technologies liées à l’intelligence artificielle et notamment « l’apprentissage profond ». Cette technologie est basée sur des réseaux de neurones artificiels qui nécessitent un grand nombre de données pour pouvoir être entrainés. De nombreuses zones d’ombre persistent dans ces domaines technologiques, notamment du point de vue théorique : sur les graphes, certaines hypothèses fondamentales de l’apprentissage classique, telle que l’indépendance des échantillons, ne sont plus valides. Le projet MALAGA, dirigé par Nicolas Keriven, chercheur du CNRS à l’IRISAInstitut de recherche en informatique et systèmes aléatoires (CNRS/Université de Rennes/Centrale Supélec/ENS Rennes/IMT Atlantique/Inria/Insa Rennes/Inserm/Université Bretagne Sud) et financé par le Conseil européen de la recherche, consiste ainsi à contribuer à cette théorie fondamentale de l’apprentissage sur les graphes, afin de mieux comprendre les réseaux de neurones profonds sur graphes, aujourd’hui dominants pour de nombreuses applications. Pour cela, le projet développera de nouveaux modèles et hypothèses statistiques adaptés aux graphes modernes, les modèles actuels étant bien souvent trop simplistes. Ces hypothèses seront exploitées pour établir de nouveaux résultats fondamentaux en apprentissage statistique sur graphes. Cela permettra de mieux comprendre les limites de l’apprentissage profond sur graphes et les stratégies pour les aborder.

Nicolas Keriven a réalisé sa thèse (2014-2017) à l’Université de Rennes sous la supervision de Rémi Gribonval, alors chercheur Inria à l’IRISA, où il travaillait sur la compression des données en apprentissage. Il réalise ensuite un post-doctorat à l’ENS Paris, où il travaillait avec Gabriel Peyré, chercheur du CNRS au Département de mathématiques et applications de l'ENSUnité CNRS/ENS-PSL, sur l’universalité des réseaux de neurones sur graphes. Il rejoint le CNRS en tant que chargé de recherche, en 2019, du Gipsa-labGrenoble images parole signal automatique (CNRS/Université Grenoble Alpes), à Grenoble. Il rejoint ensuite à l’IRISA à Rennes en 2023. Son projet s'inscrira dans l'équipe COMPACT.