STAGE UTILISATION DE L’APPRENTISSAGE AUTOMATIQUE À BORD DES AVIONS DE NOUVELLE GÉNÉRATION (RÉF : 2022_FD6_IA_01)
Detail de l'annonce :
DATE POSTED:
2021-10-20-07:00
COUNTRY:
France
LOCATION:
Blagnac, France
CONTEXTE:
LE MACHINE LEARNING (ML) EST EN TRAIN DE S’IMPOSER COMME UNE
TECHNOLOGIE CLÉ POUR LE DÉVELOPPEMENT DES NOUVEAUX SYSTÈMES
AVIONIQUES, TYPES CAPTEURS INTELLIGENTS, PERMETTANT DE FOURNIR DE
MEILLEURES PERFORMANCES ET UNE RÉDUCTION DE LA CONSOMMATION
ÉNERGÉTIQUE [9]. CEPENDANT, L’UTILISATION DE COMPOSANTS BASÉS ML
À BORD DES AVIONS SUSCITE DE NOMBREUSES INTERROGATIONS, NOTAMMENT
CONCERNANT LA _SÛRETÉ_ ET LA _CERTIFICATION_. L’UN DES PRINCIPAUX
PROBLÈMES RÉSIDE DANS LA DIFFICULTÉ À CARACTÉRISER LE
COMPORTEMENT ATTENDU D’UN COMPOSANT BASÉ ML, CE QUI CONSTITUE
PRÉCISÉMENT L’INTÉRÊT DU MACHINE LEARNING : RÉSOUDRE UN
PROBLÈME COMPLEXE EN APPRENANT UN MODÈLE À PARTIR DE _DONNÉES
EXEMPLES_ AU LIEU DE SPÉCIFIER EXPLICITEMENT LA SOLUTION DU
PROBLÈME. FINALEMENT, LES DONNÉES EXEMPLES DEVIENNENT L’UNIQUE (ET
TRÈS INCOMPLÈTE) SPÉCIFICATION DISPONIBLE. COMMENT ALORS ÉVALUER
LA CORRECTION D’UN COMPOSANT BASÉ ML SI L’ON NE SAIT PAS DÉFINIR
PRÉCISÉMENT CE QUE SIGNIFIE “CORRECT” ? COMMENT S’ASSURER QUE
LE COMPOSANT ML NE VA PAS PÉNALISER LA SÛRETÉ DE L’AVION ?
COMMENT FAIRE CONFIANCE À UN COMPOSANT DONT LE COMPORTEMENT EST EN
PARTIE INCONNU ?
Les acteurs industriels et les organismes de réglementation ont
engagé un travail afin de répondre aux problématiques liées à la
certification du ML. En mai 2020, l’Aerospace Vehicle Systems
Institute (AVSI) a publié un rapport couvrant les aspects sûreté et
certification pour le ML [1]. En avril 2021, l’Agence de l’Union
Européenne pour la sûreté de l’aviation (EASA) a publié un
premier ensemble de bonnes pratiques pour le développement des
applications ML dans l’aviation [3]. Parallèlement, un groupe de
travail commun entre l’UE et les Etats Unis a été créé afin de
préparer les standards techniques pour la certification des systèmes
aéronautiques utilisant des composants ML (SAE G-34/EUROCAE WG-114).
En tant que leader des solutions intelligentes pour l’industrie de
l’aéronautique, du spatial et de la défense, Collins Aerospace a
pris une part active dans les initiatives susmentionnées et conduit
actuellement des recherches poussées sur la certification du ML.
ACTIVITÉS:
Le stagiaire soutiendra les activités de R&T sur la certification du
ML chez Collins Aerospace France. Ces activités se concentrent sur la
_vérification de la sûreté de systèmes cyber-physiques basés
réseaux de neurones_, c’est-à-dire des systèmes physiques
intéragissant avec un contrôleur basé sur des réseaux de neurones.
Typiquement, ce type de système peut être un avion équipé d’un
système d’anti-collision utilisant des réseaux de neurones [6].
Dans ce contexte, au lieu d’analyser le réseau de neurones de
manière isolée, nous analysons le système cyber-physique dans son
entièreté. En effet, obtenir une spécification complète pour le
comportement attendu du réseau peut s’avérer infaisable mais
spécifier le comportement du système incorporant le réseau est bien
plus simple. Nous suivons les pistes suivantes: (i) développer ou
améliorer des méthodes et outils pour fournir une preuve
mathématique de correction du système cyber-physique (par exemple,
montrer que toutes les trajectoires atteignables par le système
satisfont une propriété de sûreté donnée), (ii) développer ou
améliorer des méthodes et outils pour optimiser la recherche de
trajectoires non sûres du système cyber-physique, (iii) appliquer
les outils existants à des cas d’usage de Collins Aerospace.
Le stagiaire travaillera sur l’une ou plusieurs des pistes décrites
ci-avant. Il mènera une étude bibliographique, développera une
preuve de concept, conduira l’étude et présentera ses résultats
à l’équipe.
(SMALL) RELATED WORK: [7] a introduit la notion de robustesse locale
pour aider à définir le comportement attendu d’un réseau de
neurones. Un réseau de neurones est robuste localement si une
légère perturbation d’une entrée donnée de modifie pas, ou peu,
la sortie du réseau. Typiquement, le changement d’un unique pixel
ne devrait pas modifier la sortie d’un classificateur d’image.
[7,8] ont proposé des techniques dédiées à la vérification d’un
réseau de neurones vis-à-vis d’une propriété donnée, par
exemple la robustesse locale, en utilisant soit une version
améliorée de l’algorithme du simplex, soit une sur-approximation
des comportements possibles du réseau. [2,4,5] ont proposé des
méthodes pour l’analyse de systèmes cyber-physique basés réseau
de neurones en construisant un flowpipe sur-approximant les états
atteignables par le système au cours du temps.
RÉFÉRENCES:
[1] Aerospace Vehicle Systems Institute (AVSI). 2020. AFE 87 - Machine
Learning, Final report. publication url, pdf
[2] Clavière A. et al. 2021. Safety verification of neural network
controlled systems. In Proc. of the 2021 51st Annual IEEE/IFIP
International Conference on Dependable Systems and Networks Workshops
(DSN-W). publication url, pdf
[3] EU Aviation Safety Agency (EASA). 2021. EASA Concept Paper: First
usable guidance for Level 1 machine learning applications. publication
url, pdf
[4] Huang C. et al. 2019. ReachNN: Reachability Analysis of
Neural-Network Controlled Systems. In ACM Transactions on Embedded
Computing Systems, volume 18, Article 106. publication url, pdf
[5] Ivanov R. et al. 2019. Verisig: verifying safety properties of
hybrid systems with neural network controllers. In Proc. of the 22nd
ACM International Conference on Hybrid Systems: Computation and
Control (HSCC'19). publication url, pdf
[6] Julian K. D. et al. 2019. Deep Neural Network Compression for
Aircraft Collision Avoidance Systems. American Institute of
Aeronautics and Astronautics (AIAA). Journal of Guidance, Control, and
Dynamics, volume 42. publication url, pdf
[7] Katz G. et al. 2017. Reluplex: An Efficient SMT Solver for
Verifying Deep Neural Networks. In Proc. of the 29th International
Conference on Computer Aided Verification (CAV 2017). 97-117.
publication url, pdf
[8] Singh G. et al. 2019. An abstract domain for certifying neural
networks. In Proc. of the ACM on Programming Languages 3, POPL,
Article 41. publication url, pdf
[9] Zakrzewski R. R. 2001. Fuel mass estimation in aircraft tanks
using neural nets. In Proc. of the 40th IEEE Conference on Decision
and Control. publication url
_ RAYTHEON TECHNOLOGIES IS AN EQUAL __OPPORTUNITY/AFFIRMATIVE__ ACTION
EMPLOYER. ALL QUALIFIED APPLICANTS WILL RECEIVE CONSIDERATION FOR
EMPLOYMENT WITHOUT REGARD TO RACE, COLOR, RELIGION, SEX, SEXUAL
ORIENTATION, GENDER IDENTITY, NATIONAL ORIGIN, DISABILITY OR VETERAN
STATUS, AGE OR ANY OTHER FEDERALLY PROTECTED CLASS._
PRIVACY POLICY AND TERMS:
Click on this link to read the Policy and Terms