Parallélisation de problèmes d''apprentissage

Les travaux présentés dans cette thèse s'inscrivent dans un projet lié à la radiothérapie externe. L'objectif est de mettre au point un moteur de calcul permettant une évaluation précise et concise d'un dépôt de dose lors d'une irradiation. Nous avons construit un moteur de calcul reposant sur l'utilisation des réseaux de neurones. Nous avons développé un algorithme d'apprentissage pour les réseaux de neurones spécifiquement conçu pour la prise en charge des données liées à la radiothérapie externe. Puis, nos travaux ont consisté en la réalisation d'algorithmes permettant l'évaluation des doses déposées. La première partie a donc porté sur la mise au point de l'algorithme d'apprentissage des réseaux de neurones. Nous nous sommes basés sur une construction incrémentale du réseau. Puis, pour permettre une prise en charge des nombreux paramètres liés à notre domaine d'application, et du volume des données nécessaires à un apprentissage rigoureux, nous nous sommes attachés à paralléliser notre algorithme. Nous avons obtenu un algorithme d'apprentissage incrémental et parallèle pouvant être déployé de manière efficace sur une grappe de calcul non-fiable.

Autorentext

Marc Sauget, docteur en informatique, études en informatique distribué à l''Université de Franche-Comté, ingénieur de recherche au Femto-St, département ENYSIS, Montbéliard.

Klappentext

Les travaux présentés dans cette thèse s''inscrivent dans un projet lié à la radiothérapie externe. L''objectif est de mettre au point un moteur de calcul permettant une évaluation précise et concise d''un dépôt de dose lors d''une irradiation. Nous avons construit un moteur de calcul reposant sur l''utilisation des réseaux de neurones. Nous avons développé un algorithme d''apprentissage pour les réseaux de neurones spécifiquement conçu pour la prise en charge des données liées à la radiothérapie externe. Puis, nos travaux ont consisté en la réalisation d''algorithmes permettant l''évaluation des doses déposées. La première partie a donc porté sur la mise au point de l''algorithme d''apprentissage des réseaux de neurones. Nous nous sommes basés sur une construction incrémentale du réseau. Puis, pour permettre une prise en charge des nombreux paramètres liés à notre domaine d''application, et du volume des données nécessaires à un apprentissage rigoureux, nous nous sommes attachés à paralléliser notre algorithme. Nous avons obtenu un algorithme d''apprentissage incrémental et parallèle pouvant être déployé de manière efficace sur une grappe de calcul non-fiable.