Accueil

Brève biographie

Mehdi Khamassi est directeur de recherche employé par le Centre National de la Recherche Scientifique (CNRS), affecté à l’Institut des Systèmes Intelligents et de Robotique (ISIR), sur le campus de Sorbonne Université, Paris, France. Il a une formation d’ingénieur (Ecole Nationale Supérieure d’Informatique pour l’Industrie et l’Entreprise / Conservatoire National des Arts et Métiers, Évry, 2003 ; spécialisations en intelligence artificielle et modélisation statistique). Il est également diplômé du Cogmaster (2003) par l’Université Pierre et Marie Curie (UPMC), Paris. Il a ensuite effectué une thèse de neurosciences cognitives entre l’UPMC et le Collège de France (2007). Depuis 2015, il est également co-directeur des études pour le Cogmaster (Université Paris Sciences Lettres (Ecole Normale Supérieure) / Université de Paris / EHESS), et éditeur pour plusieurs journaux scientifiques comme Intellectica, Frontiers in Neurorobotics, Frontiers in Decision Neuroscience, ReScience X, et Neurons, Behavior, Data analysis and Theory. Ses thèmes de recherche principaux incluent la prise de décision et l’apprentissage par renforcement chez les animaux et les robots, et le rôle des différents types de récompenses (sociales, non-sociales, informationnelles) dans l’apprentissage. Ses principales méthodes sont la modélisation computationnelle, la conception d’expériences pour tester les prédictions des modèles, l’analyse de données expérimentales, la conception d’algorithmes d’IA pour les robots, et l’expérimentation comportementale impliquant des humains, des animaux non-humains ou des robots.

Télécharger mon CV complet (en anglais) ou mon CV court (en anglais).

Activités de recherche

Les recherches de notre groupe se situent à l’interface entre Neurosciences et Robotique, se focalisant sur : les capacités d’apprentissage et de prise de décision chez les animaux ; les mécanismes cérébraux associés dans le cortex préfrontal, l’hippocampe et les ganglions de la base ; leurs applications à l’apprentissage chez les robots autonomes. Nous étudions en particulier comment le cerveau coordonne différents systèmes parallèles d’apprentissage, le réseau hippocampo-préfrontal détectant les différents états du monde (e.g. nouveauté vs familiarité ; contexte A vs contexte B) et les changements de performance de l’agent (e.g. progrès, stagnation, déclin) pour choisir de manière adaptative : le système approprié à chaque situation (e.g. apprendre un graphe cognitif de l’environnement ou non) et l’état correspondant d’apprentissage (e.g. exploration vs exploitation). Ces nouveaux modèles computationnels sont ensuite testés sur des plateformes robotiques intéragissant avec le monde réel, avec l’objectif dual de contribuer à améliorer la flexibilité comportementale chez les robots et de contribuer aux Neurosciences en testant la robustesse de différentes hypothèses biologiques. Une des questions récentes que nous abordons est de savoir si des mécanismes similaires d’apprentissage et de traitement des signaux de récompense peuvent être à l’oeuvre à la fois dans des contextes sociaux et non-sociaux. Ceci est à la fois clé pour comprendre ce qu’il y a de si spécial avec la dimension sociale des mécanismes d’apprentissage dans le cerveau, et pour permettre des interactions homme-robot plus adaptatives et efficaces.