Approche IA neuro-symbolique pour la classification des résidus de tir // Neuro -symbolic AI Approach for the Classification of Gunshot Residue

Descrizione

Approche IA neuro-symbolique pour la classification des résidus de tir // Neuro -symbolic AI Approach for the Classification of Gunshot Residue Sintesi in italiano (traduzione automatica): L'organizzazione internazionale offre una posizione di ricercatore per una tesi che esplora un approccio IA neuro-symbolico per la classificazione dei residui di tiro. La sede della ricerca è prevista per il 1 ottobre 2026. Il candidato dovrà affrontare sfide scientifiche legate alla formalizzazione della conoscenza esperta, alla robustezza dei modelli di apprendimento e all'esplicabilità delle decisioni in un contesto giudiziario. È richiesta una laurea in discipline scientifiche, preferibilmente in ingegneria, informatica o scienze forensi. Il progetto mira a integrare conoscenze criminalistiche in un'architettura neuro-symbolica, combinando apprendimento dai dati e ragionamento esplicito. 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. ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 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. ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ Début de la thèse : 01/10/2026 WEB : https://lib.ube.fr/offre-de-these/ Funding category: Financement d'une collectivité locale ou territoriale Annuncio in inglese. Fonte: Euraxess (Commissione europea).