Résultats de recherche

Deadlines Opening of abstract submissions and registrations: 15 September 2025Deadline to submit indicative title and summary: 30 November 2025Deadline for final abstract submissions: 01 May 2026Early bird registration deadline: 01 March 2026 More information on the website

Le 1er juillet 2025, le F.R.S.-FNRS a publié la liste des lauréats aux différents mandats doctorants et postdoctorants, projets Télévie et co-financement avec le Fonds de recherche du Québec. Parmi ceux-ci, de nombreux chercheurs de l'UNamur ont obtenu un financement. Le taux de classement de l’UNamur, particulièrement élevé, démontre la qualité et l’excellence de la recherche au sein du campus namurois. 

Abstract In recent decades, the volume of data generated worldwide has grown exponentially, significantly accelerating advancements in machine learning. This explosion of data has led to an increased need for effective data exploration techniques, giving rise to a specialized field known as dimensionality reduction. Dimensionality reduction methods are used to transform high-dimensional data into a low-dimensional space (typically 2D or 3D), so that it can be easily visualized and understood by humans. Algorithms such as Principal Component Analysis (PCA), Multidimensional Scaling (MDS), and t-distributed Stochastic Neighbor Embedding (t-SNE) have become essential tools for visualizing complex datasets. These techniques play a critical role in exploratory data analysis and in interpreting complex models like Convolutional Neural Networks (CNNs). Despite their widespread adoption, dimensionality reduction techniques, particularly non-linear ones, often lack interpretability. This opacity makes it difficult for users to understand the meaning of the visualizations or the rationale behind specific low-dimensional representations. In contrast, the field of supervised machine learning has seen significant progress in explainable AI (XAI), which aims to clarify model decisions, especially in high-stakes scenarios. While many post-hoc explanation tools have been developed to interpret the outputs of supervised models, there is still a notable gap in methods for explaining the results of dimensionality reduction techniques. This research investigates how post-hoc explanation techniques can be integrated into dimensionality reduction algorithms to improve user understanding of the resulting visualizations. Specifically, it explores how interpretability methods originally developed for supervised learning can be adapted to explain the behavior of non-linear dimensionality reduction algorithms. Additionally, this work examines whether the integration of post-hoc explanations can enhance the overall effectiveness of data exploration. As these tools are intended for end-users, we also design and evaluate an interactive system that incorporates explanatory mechanisms. We argue that combining interpretability with interactivity significantly improves users' understanding of embeddings produced by non-linear dimensionality reduction techniques. In this research, we propose enhancements to an existing post-hoc explanation method that adapts LIME for t-SNE. We introduce a globally-local framework for fast and scalable explanations of t-SNE embeddings. Furthermore, we present a completely new approach that adapts saliency map-based explanations to locally interpret non-linear dimensionality reduction results. Lastly, we introduce our interactive tool, Insight-SNE, which integrates our gradient-based explanation method and enables users to explore low-dimensional embeddings through direct interaction with the explanations. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Bruno Dumas - University of Namur, BelgiumProf. John Lee - University of Louvain, BelgiumProf. Luis Galarraga - University of Rennes, France

C’est une belle reconnaissance pour l’excellence de la recherche menée à l’Université de Namur : la faculté d’informatique a été sollicitée pour rejoindre le prestigieux réseau Informatics Europe, qui rassemble les départements et facultés d’informatique les plus dynamiques à travers l’Europe.

RésuméEn 2025, l’apprentissage automatique continue de révolutionner divers domaines scientifiques, avec des implications majeures en physique, notamment en photonique. L'intégration d'algorithmes d'apprentissage automatique avancés a permis des progrès significatifs dans la conception et le contrôle des systèmes photoniques, améliorant leur efficacité et leurs performances. Ces avancées sont essentielles pour le développement des technologies de communication, d’imagerie ou encore de calcul quantique. Toutefois, la recherche en physique présente de nombreux défis qui vont au-delà des simples mesures de performance : identifier des motifs et construire des modèles analytiques est souvent tout aussi crucial.Dans cette thèse, nous appliquons des outils d’intelligence computationnelle, en particulier l’optimisation heuristique et les réseaux de neurones, afin de développer des approches orientées données pour résoudre diverses tâches en physique. Bien que centrée sur les données, notre approche reste ancrée dans la physique, cherchant toujours à comprendre les phénomènes physiques sous-jacents aux algorithmes. Les résultats de cette thèse couvrent un large éventail d’applications, allant de la conception de métasurfaces complexes et de réseaux de diffraction à l’analyse et l’interprétation de données spectrales. Nous avons également développé avec succès un optimiseur capable d’apprendre et de s’adapter aux problèmes rencontrés, notamment en physique. Cet outil clé de notre arsenal surpasse les méthodes de pointe dans nos applications. Il a notamment permis la conception d’une plaque de phase coronographique pour l’imagerie des exoplanètes, avec une performance 25 % supérieure aux meilleures solutions précédentes.Nous avons aussi conçu un dispositif compact de déflexion de faisceau, entièrement diélectrique, fonctionnant efficacement pour toutes les polarisations, atteignant une efficacité maximale de 90 %. Partant d’une conception purement basée sur les données, nous avons pu extraire et valider un modèle analytique fondé sur le comportement d’un réseau échelette, apportant ainsi une compréhension physique de son fonctionnement. Au-delà des tâches fondées sur des simulations, nous avons également traité des données expérimentales en développant un classificateur d’origine animale de parchemins, capable de distinguer trois espèces animales avec une précision de 90 %. Cet outil offre une méthode non invasive pour les restaurateurs et historiens souhaitant analyser des matériaux historiques fragiles.Les membres du jury Prof. Michaël LOBET (UNamur), PrésidentProf. Alexandre MAYER (UNamur), SecrétaireDr Charlotte BEAUTHIER (CENAREO)Prof. Benoît FRENAY (UNamur)Prof. Olivier DEPARIS (UNamur)Prof. Denis LANGEVIN (Université de Clermont Auvergne)Prof. Hai Son NGUYEN (Ecole Centrale de Lyon)

La première conférence mondiale des chercheurs chinois en matériaux a eu lieu du 22 au 28 juillet 2025 à l’Université de Namur.  Organisée par le Professeur Bao-Lian Su, directeur du laboratoire de Chimie des Matériaux Inorganiques (CMI) de l’Unité de Chimie des Nanomatériaux (UCNano) du Département de chimie de l'Université de Namur, Belgique, en collaboration avec le Professeur Prof. Qing-Jie Zhang de l'Université technologique de Wuhan (Chine) et du Professeur Prof. Max Gao-Qing Lu de l’Université de Wollogong (Australie), l’évènement a rassemblé près de 500 participants. 

Un projet déposé par le Laboratoire de Physiologie Évolutive et Adaptative (LEAP) du professeur Frédéric Silvestre de l’Université de Namur a été classé parmi les 6 meilleurs projets de recherche financés par le FNRS et le Fonds de recherche du Québec (FRQ) pour une collaboration scientifique entre la Wallonie et le Québec.  Le but ? Comprendre l'impact des activités humaines sur les bélugas de l'estuaire du Saint-Laurent (ESL) à l’aide d’approches interdisciplinaires pour permettre d’améliorer les stratégies de conservation de cette espèce menacée.

Art du doute fécond, l’esprit critique s’apprend et s’entretient. Face à la surcharge d’information et au déploiement de l’intelligence artificielle, il est plus que jamais nécessaire pour les étudiants de développer cette faculté tout au long de leur cursus. À l’UNamur, cette nécessité pédagogique se veut protéiforme. 

Deux chercheurs du Département de physique de l’UNamur, le professeur Michaël Lobet et son doctorant Adrien Debacq, s’intéressent de près à un sujet qui fascine la communauté scientifique : celui de la superradiance dans les milieux à indice de réfraction proche de zéro. Dans un article publié cet été dans la prestigieuse revue Light : science & applications du groupe Nature, en collaboration avec l’Université de Harvard (USA), la Michigan Technological University (MTU) et Sparrow Quantum, ils contribuent ainsi aux développements de l’informatique quantique.

Abstract The distribution of malaria in Sub-Saharan Africa is becoming increasingly heterogeneous, with emerging hotspots and a growing urban burden rather than following traditional vector suitability gradients. This pattern has been observed in Senegal, where malaria transmission ranges from very low to high. In this context, disease risk maps can help to identify hotspots and improve the targeting of interventions. However, previous studies have often relied on freely available, low-resolution remote sensing data and focused primarily on environmental factors related to vector presence—the hazard—while overlooking population vulnerability (e.g. influenced by access to healthcare). This thesis presents an open-source malaria risk mapping framework incorporating high-resolution, open-access data on both hazard and vulnerability, and identifies the key factors sustaining transmission in Senegal.Interpolated surfaces of vulnerability indicators were integrated with Sentinel-based hazard variables to model survey-based malaria prevalence, used as an indicator of risk. The framework was then extended to model malaria incidence from routine health facility data, using dasymetric disaggregation to create fine-scale incidence maps. The findings reveal that vulnerability is a key determinant of malaria and that both hazard and vulnerability risk factors vary with urbanisation level, transmission intensity, seasonality and spatial scale. Discrepancies emerged between malaria prevalence and incidence, such as low incidence but high prevalence in remote areas, suggesting potential underdiagnosis. This thesis also offers a comparative overview of various modelling approaches, ranging from machine learning to Bayesian geostatistics, with implementation code and guidance for future malaria research. Anticipated improvements in malaria epidemiological data will further enable elimination strategies to leverage the full potential of geospatial methods for fine-scale risk mapping. Composition du Jury Prof. Sabine HENRY (UNamur), PrésidenteProf. Catherine LINARD (UNamur), SecrétaireDr Ibrahima DIA (Institut Pasteur de Dakar)Dr Annelise TRAN (CIRAD, Montpellier)Prof. Christel FAES (Université de Hasselt)

Des bottes en caoutchouc, des bleus de travail, le bêlement des brebis, l’odeur de la paille… Le décor est planté. À la ferme du Centre de Recherche Ovine, située dans la campagne namuroise, les étudiants en médecine vétérinaire vivent, l’espace de quelques jours, au rythme des naissances des agneaux. Une expérience intense et formatrice, remplie de gestes techniques et d’émotions, encadrée par une équipe composée d'une vétérinaire, d'un professeur et de trois techniciens de l'Université de Namur.