Skip to content

Qu’est-ce que le ReMI?

Resilient Machine learning Institute

Institut d'apprentissage automatique résilient

L’École de technologie supérieure (ÉTS) et la multinationale Ultra Electronics se sont associées pour créer le premier institut en intelligence artificielle distribuée à Montréal : L’Institut d’apprentissage automatique résilient ÉTS-Ultra Électronique TCS, surnommé le ReMI.

Réputée pour travailler en étroite collaboration avec l’écosystème technologique, l’ÉTS s’allie donc avec Ultra Électronique TCS, un leader mondial en systèmes de communications critiques, pour adapter les techniques d’intelligence artificielle à des systèmes distribués fonctionnant dans des conditions extrêmes.

Créé en 2019, le ReMI appliquera ses innovations aux grands problèmes de télécommunication qui surviennent lors d’incidents majeurs à travers le monde, tels que des tremblements de terre, des inondations, des tsunamis, des actes terroristes, etc.

Lecteur vidéo youtube

Les nouvelles

Les objectifs de l'institut

Innover

Adapter les techniques d'intelligence artificielle à des systèmes distribués fonctionnant dans des conditions extrêmes.

Appliquer

Mettre en œuvre efficacement ces techniques dans des systèmes embarqués et temps-réel.

Former

Former des étudiants de haut niveau aux techniques d'intelligence artificielle les plus avancées.

En savoir plus sur ReMI

Développement de stratégies de coopération et de fusion pour la détection du spectre dans les réseaux tactiques hétérogènes en environnements mobiles

Développement de stratégies de coopération et de fusion pour la détection de canaux et l'analyse de propagation sans fil

Apprentissage automatique pour la localisation de nœuds radios mobiles dans un environnement contesté

Apprentissage automatique pour l’adaptation de liens MIMO dans des environnements contestés et mobiles

Optimisation adaptative des paramètres PHY/MAC de technologie d'accès radio pour les applications critiques

Contrôle d’accès au médium hybride aléatoire/synchronisé pour les environnements contestés

Optimisation basée sur les données de l’ordonnancement du canal sans fil pour le trafic multidiffusion

Stratégies de jeu optimales pour l’apprentissage par renforcement multi-agents dans les systèmes de communication hétérogènes face à des brouilleurs réactifs

Stratégies d'apprentissage par renforcement distribué appliquées à des nœuds avec des technologies d’accès radio multiples pour des réseaux denses

Stratégies d’apprentissage automatique pour une coopération optimale dans les réseaux symbiotiques

Approche basée sur les données pour le routage et l’ordonnancement de canaux sans fil joints

Stratégies d’apprentissage automatique docitive pour des communications ultra fiables et à faible latence

Apprentissage automatique pour les réseaux définis par logiciel appliqués à des applications de missions critiques

Compression adaptative de trafic pour les applications tactiques en utilisant les réseaux de neurones

Une plate-forme d’émulation de réseau sans fil pour les algorithmes d’apprentissage

Techniques d’apprentissage automatique en temps réel pour les réseaux hétérogènes utilisant des réseaux de portes programmables sur le terrain (FPGA)

Techniques d’apprentissage automatique en temps réel pour les réseaux hétérogènes utilisant des processeurs de réseau intégrés

Prototypage CCME (contre‐contre‐mesure électronique) de réseau de communication amélioré en se basant sur des systèmes de communication hétérogènes et multicanaux commerciaux

Changement de mode rapide LTE/ 5G ENB/UE pour des réseaux résilients auto-organisés

Capacité de routage L2.5 pour les chipsets wifi 802.11ax