Offre de thèse

Contexte général

Le sujet s’inscrit dans le cadre du projet IGNIS (Intelligent System for Gunshot Residue Classification), porté conjointement par le Laboratoire d’Informatique de Bourgogne (LIB), l’Institut de Mathématiques de Bourgogne (IMB) et le Service National de la Police Scientifique (SNPS). Le projet IGNIS vise la conception d’un système de classification automatique et explicable des résidus de tir observés par microscopie électronique à balayage couplée à la spectrométrie dispersive en énergie (MEB-EDX). L’environnement de recherche est interdisciplinaire, à l’interface de l’intelligence artificielle, de la représentation des connaissances, de l’apprentissage automatique, de la statistique, de l’optimisation et de la criminalistique. Il bénéficie d’un accès à des données réelles issues des laboratoires du SNPS.

General context

The topic is part of the IGNIS project (Intelligent System for Gunshot Residue Classification), jointly led by the Laboratoire d’Informatique de Bourgogne (LIB), the Institut de Mathématiques de Bourgogne (IMB), and the French National Forensic Science Service (SNPS). The IGNIS project aims to design an automatic and explainable classification system for gunshot residues observed by scanning electron microscopy coupled with energy-dispersive spectroscopy (SEM-EDX). The research environment is interdisciplinary, at the interface of artificial intelligence, knowledge representation, machine learning, statistics, optimisation and forensic science. It benefits from access to real data from SNPS laboratories.

Contexte scientifique

Les résidus de tir sont des particules issues du tir d’une arme à feu, constituées de composants inorganiques et organiques provenant des munitions. Leur analyse par MEB-EDX est aujourd’hui considérée comme la technique de référence, car elle permet d’observer la morphologie des particules et d’estimer leur composition élémentaire, en s’appuyant notamment sur la norme ASTM E1588-20. Dans la pratique, la classification des particules de résidus de tir repose sur une première phase d’analyse automatique, suivie d’une validation manuelle par un expert du SNPS. Cette situation soulève plusieurs verrous scientifiques : (1) la formalisation de la connaissance experte mobilisée lors de la validation des particules ; (2) la robustesse des modèles d’apprentissage, fortement dépendante de la qualité, de la représentativité et de l’évolution des données, notamment avec l’émergence de nouvelles munitions et de compositions sans plomb ; (3) l’explicabilité, centrale dans un contexte judiciaire.
La thèse vise à dépasser ces limites en proposant une approche IA neuro-symbolique capable non seulement de classer les particules, mais aussi d’expliquer ses décisions dans un langage compatible avec l’expertise métier. L’originalité scientifique du projet réside dans l’intégration d’une représentation formelle des connaissances criminalistiques au sein d’une architecture neuro-symbolique permettant de combiner l’apprentissage à partir des données et le raisonnement explicite fondé sur des connaissances expertes.

Scientific context

Gunshot residues are particles produced when a firearm is discharged, consisting of inorganic and organic components originating from ammunition. Their SEM-EDX analysis is now considered the reference technique, as it enables observation of particle morphology and estimation of elemental composition, in accordance with the ASTM E1588-20 standard framework. In practice, the classification of gunshot residue particles relies on an initial automated analysis phase, followed by manual validation by an SNPS expert.
This situation raises several scientific challenges: (1) formalising the expert knowledge used during particle validation; (2) the robustness of learning models, which is strongly dependent on data quality, representativeness and evolution, particularly with the emergence of new ammunition types and lead-free compositions; and (3) explainability, which is central in a judicial context.
The thesis aims to go beyond these limitations by proposing a neuro-symbolic AI approach capable not only of classifying particles, but also of explaining its decisions in language compatible with professional expertise. The scientific originality of the project lies in integrating a formal representation of forensic knowledge into a neuro-symbolic architecture that combines data-driven learning with explicit reasoning grounded in expert knowledge.

Problématiques de recherche

La thèse s’attachera à répondre à la question suivante : comment concevoir un système d’intelligence artificielle neuro-symbolique capable de classer automatiquement des particules de résidus de tir de manière fiable, adaptable et explicable, tout en respectant les contraintes scientifiques, opérationnelles et judiciaires propres à la criminalistique ? Cette problématique générale se décline en plusieurs questions de recherche : – Comment représenter formellement les connaissances expertes relatives aux résidus de tir, en intégrant les normes ASTM, les critères morphologiques, les compositions élémentaires et les règles métier, au sein d’une base de connaissances exploitable par une machine ?

• Comment articuler cette représentation symbolique avec des modèles d’apprentissage pour affiner les règles de classification existantes, apprendre de nouvelles classes ou sous-classes de particules et maintenir la robustesse du système?
• Comment produire des explications compréhensibles et acceptables par les experts du SNPS, en combinant le raisonnement symbolique, des méthodes d’explication post hoc et une analyse de sensibilité ?
• Comment évaluer un tel système non seulement en termes de précision algorithmique, mais aussi en termes d’utilité métier, de sécurité d’intégration, de reproductibilité et de potentiel de transfert vers d’autres laboratoires ?

Research questions

The thesis will seek to answer the following question: how can a neuro-symbolic artificial intelligence system be designed to automatically classify gunshot residue particles in a reliable, adaptable and explainable way, while complying with the scientific, operational and judicial constraints specific to forensic science?
This general issue breaks down into several research questions:

• How can expert knowledge relating to gunshot residues be formally represented, integrating ASTM standards, morphological criteria, elemental compositions and business rules, within a machine-readable knowledge base?
• How can this symbolic representation be combined with learning models to refine existing classification rules, learn new classes or sub-classes of particles, and maintain system robustness?
• How can understandable and acceptable explanations be produced for SNPS experts, by combining symbolic reasoning, post-hoc explanation methods and sensitivity analysis?
• How can such a system be evaluated not only in terms of algorithmic accuracy, but also in terms of operational usefulness, integration safety, reproducibility and potential transferability to other laboratories?

Profil recherché

Les candidats doivent être titulaires d’un master 2 ou d’un diplôme d’ingénieur en informatique, intelligence artificielle, science des données, ou mathématiques appliquées. Les candidats doivent avoir un bon niveau en français et en anglais (niveau min. C1).
Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, et des compétences en programmation. Des compétences en apprentissage automatique, en représentation des connaissances et en analyse de données massives sont attendues. Des compétences en modélisation statistique, en optimisation ou en raisonnement symbolique seront un atout.
Le profil recherché suppose également de bonnes capacités rédactionnelles et de communication avec des experts métier, un goût pour le travail interdisciplinaire et une aptitude à évoluer dans un environnement partenarial avec des contraintes de confidentialité et de sécurité. Une sensibilité aux enjeux de la criminalistique ou aux domaines à forte exigence de traçabilité serait particulièrement appréciée. En raison des contraintes liées au contexte applicatif sensible, la candidature retenue sera validée après enquête de moralité.

Candidate profile