L'exploration de systèmes complexes repose souvent sur l'évaluation d'un grand nombre de configurations, notamment lorsque plusieurs choix d'architecture, de paramètres ou de conditions de fonctionnement doivent être considérés. Dans mes travaux, cette exploration a principalement été menée par simulation, pour les systèmes de communication, et par comparaison manuelle de solutions d'implémentation, pour les architectures matérielles.
Dans cette présentation, je partirai de deux exemples issus de ces travaux. Le premier concerne l'exploration d'architectures FPGA pour l'implémentation d'une transformée DCT approchée (BinDCT), où différents choix d'implémentation conduisent à des compromis entre ressources matérielles et latence. Je présenterai comment cette exploration peut être formulée comme un problème de satisfaction de contraintes afin d'automatiser la recherche de configurations répondant à des objectifs donnés.
Le second exemple porte sur des systèmes de communications optiques, incluant les systèmes MIMO, les effets non-linéaires en fibre et les liaisons radio-sur-fibre. Je présenterai une piste complémentaire fondée sur l'apprentissage automatique, visant à exploiter les données issues de simulations pour prédire les performances de configurations non évaluées ou contribuer à la compensation des dégradations du signal, illustrée par un premier résultat préliminaire.
Ces deux exemples soulèvent ainsi une question commune : comment passer d'une exploration configuration par configuration à une exploration automatisée, fondée sur des contraintes et des données ? Je discuterai enfin des perspectives de ces approches et des possibilités de collaboration autour de ces problématiques.