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

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/

Financement d'une collectivité locale ou territoriale

Université Bourgogne Europe

37 SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques

Les candidats doivent être titulaires d'un Master 2 ou d'un diplôme d'ingénieur en informatique, intelligence artificielle, science des données, ou mathématiques appliquées. Les candidats doivent avoir un bon niveau en français et en anglais (niveau min. C1). Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, et des compétences en programmation. Des compétences en apprentissage automatique, en représentation des connaissances et en analyse de données massives sont attendues. Des compétences en modélisation statistique, en optimisation ou en raisonnement symbolique seront un plus. Le profil recherché suppose également de bonnes capacités rédactionnelles et de communication avec des experts métier, un goût pour le travail interdisciplinaire et une aptitude à évoluer dans un environnement partenarial avec des contraintes de confidentialité et de sécurité. Une sensibilité aux enjeux de la criminalistique ou des domaines à forte exigence de traçabilité serait particulièrement appréciée. En raison des contraintes liées au contexte applicatif sensible, la candidature retenue sera validée après enquête de moralité. Le profil sera particulièrement adapté à une personne capable de travailler à l'interface entre la recherche fondamentale et le transfert technologique, avec un goût pour la construction de prototypes, l'analyse de données réelles et la co-conception avec des partenaires institutionnels.
Candidates must hold a Master 2 or an engineering degree in computer science, artificial intelligence, data science, or applied mathematics. Candidates must have a good level of French and English (minimum C1 level). Candidates must have an interest in research, a strong scientific background, and programming skills. Skills in machine learning, knowledge representation and big data analysis are expected. Skills in statistical modelling, optimisation or symbolic reasoning will be an asset. The desired profile also requires strong writing skills and the ability to communicate with subject-matter experts, a taste for interdisciplinary work, and the ability to operate in a partnership-based environment with confidentiality and security constraints. An interest in forensic science or in fields with strong traceability requirements would be particularly appreciated. Due to the constraints linked to the sensitive application context, the selected candidate will be approved following a background check. The profile will be particularly suitable for someone able to work at the interface between fundamental research and technology transfer, with a taste for building prototypes, analysing real-world data, and co-designing solutions with institutional partners.