Comprendre avant de calculer.
Je construis des modèles pour éclairer des décisions en énergie et en médecine, aider un ingénieur à dimensionner un système, un exploitant à anticiper une production, un physicien à interpréter une dose, et des outils pour les rendre utilisables. Mon point de départ est le problème : ce que l'on sait du système, les données disponibles et le niveau de précision réellement utile. J'utilise un modèle explicite lorsqu'il convient, je le complète par de l'apprentissage lorsqu'il manque une relation, et je ne retiens la complexité supplémentaire que si son bénéfice est démontré. L'IA fait pleinement partie des outils ; l'évaluation et la responsabilité restent humaines.
Physicien et directeur de recherche à Mines Paris – PSL, au centre Observation, Impacts, Énergie (O.I.E.). Mon parcours associe la physique médicale en radiothérapie (depuis 2003) et la recherche en prévision énergétique (thèse en 2011), menées en parallèle ; je travaille sur la prévision solaire et énergétique, l'évaluation des prévisions, l'IA frugale et les interfaces entre modèles de langage et codes scientifiques.
Peut-on savoir à quel point le ciel est prévisible ? Quand un modèle simple bat-il un modèle complexe ? Quelles erreurs comptent en pratique ? J'explique ici les résultats, avec les articles et les codes qui les soutiennent.
Le domaine change ; la méthode, non. La voie est choisie par le problème et la décision à éclairer, pas par l'outil ; la complexité supplémentaire n'est retenue que si son bénéfice est démontré.
Quand le lien est connu, on le calcule avec un modèle explicite, calibré et validé sur des données ; on n'ajoute de l'apprentissage que pour un bénéfice démontré.
Calculer plutôt qu'apprendre : l'équivalence de dose en radiothérapie · Simuler ce que l'on ne peut pas encore mesurer : les tunnels routiers · Le ciel change, mais à quel point reste-t-il prévisible ?
Quand le modèle ne suffit pas, on le complète : garder le modèle, n'apprendre que ce qui manque.
Cancer de la thyroïde et iode radioactif : le modèle d'abord · Une meilleure persistance, sans entraîner un réseau neuronal
Quand les relations utiles ne sont pas suffisamment connues, évaluer ce que les données permettent d'apprendre, avec seulement la complexité qui paie.
Sept sorties, six ans de données : ce que montre MIMO-ELM · Prévision satellite : une maille ou tout le champ ? · Prévision solaire : modèles frugaux
Les modèles de langage aident à utiliser des outils validés ; le calcul, la vérification et la responsabilité restent aux codes validés et aux personnes.
Juger contre une référence, publier code, données et limites, rendre la recherche trouvable et réutilisable.
Se questionner sur nos façons de faire de la recherche · L'IA dans la recherche : AI Act, charte et boîte à outils · Même nRMSE, modèles différents : ce que révèle NICE · Une prévision décalée peut rester exploitable : le test gamma · Visibilité académique : publier ne suffit plus (en anglais) · Excellence scientifique à l'ère de l'IA : du SEO au GEO
Le cours UE14 « Prévoir la ressource solaire intermittente » et la conférence « Research Excellence in 2026 ».
Cyril Voyant est physicien et directeur de recherche à Mines Paris – PSL (centre O.I.E.). Associant la physique médicale en radiothérapie (depuis 2003) et la recherche en prévision énergétique (thèse en 2011), il travaille sur la prévision solaire et énergétique, l'évaluation des prévisions, l'IA frugale et les interfaces entre modèles de langage et codes scientifiques. Parcours, recherche, projets, distinctions et contact (en anglais).