Mes intérêts de recherche se situent dans le domaine de la modélisation, la synthèse et la vérification des systèmes matériels/logiciels ainsi que l’accélération des algorithmes en utilisant les systèmes matériels reconfigurables. J’ai travaillé dans les années 1980/1990 sur les techniques d'autotest et de tests embarqués, la conception pour la testabilité, la couverture de pannes multiples et la génération automatique de tests ainsi qu’aux problèmes de complexité de calcul reliée à ce domaine. Par la suite je me suis intéressé aux méthodes de modélisation et de synthèse des systèmes matériels ainsi qu’à l’accélération de calcul.

Mon but à long terme est de comprendre l'intelligence; comprendre ses principes sous-jacents nous donnerait accès à l'intelligence artificielle (IA), et je crois que les algorithmes d'apprentissage sont essentiels dans cette quête. Les algorithmes d'apprentissage pourraient donner aux ordinateurs la capacité de capter des connaissances opérationnelles (pas nécessairement sous forme symbolique/verbale) à partir d'exemples. Une machine ayant appris de telles connaissances pourrait ainsi faire des prédictions ou des classifications correctes sur de nouveaux cas, généraliser à de nouvelles situations. La recherche dans ce domaine a été couronnée de nombreux succès au cours des trois dernières décades, et elle est maintenant appliquée dans de nombreux domaines de la science et de la technologie.

Parmi les applications les plus connues on inclut les engins de recherche, le traitement du langage naturel, la traduction automatique, la reconnaissance de la parole, la vision par ordinateur, et la fouille de données. Mes recherches à long terme portent sur l'apprentissage de représentations, afin de dépasser des limites théoriques et pratiques des algorithmes (linéaires ou à noyau) qui ont dominé l'apprentissage machine jusqu'à récemment. Pour contourner ces limitations, une nouvelle approche appelée apprentissage profond a été développée ici et dans quelques laboratoires depuis 2006 et a connu des succès fracassants au cours des dernières années.

L'objectif de ma recherche est le développement de méthodes efficaces en bioinformatique pour l'analyse de données à grande échelle. En particulier, mes intérêts comprennent la reconstruction phylogénétique, la cartographie physique, la modélisation de séquences et l’analyse de l’expression génétique.

Ma recherche porte sur la modélisation et la simulation des systèmes stochastiques. Plus spécifiquement: génération de valeurs aléatoires, méthodes quasi-Monte Carlo, amélioration de l'efficacité des simulations, analyse de sensibilité et optimisation, et applications concrètes de la simulation.

Approche bioinformatique pour la détermination et la prédiction de structure et fonction des ARN et des protéines (financement IRSC). Développement de méthodes pour la recherche et l'analyse de motifs structuraux dans les ARN (financement CRSNG). Approche bioinformatique pour la recherche et l'analyse des micro-ARN et des ARN d'interférence (financement stratégique CRSNG).

Spécialisée en apprentissage profond et neuroscience, analyse de données neurales et l’informatique bio-inspirée, elle concentre ses recherches actuelles sur l’apprentissage continu et l’optimisation dans les réseaux neuronaux profonds, la modélisation épars et l’inférence probabiliste, les systèmes dynamiques et la théorie de l’information.