Recherches engagées et travaux publiés.
CORTEX, RESTORE et TRACEFORM-AI démarrent en 2026. Les publications existantes concernent notamment LAMMR, présenté à HHAI 2026, et BRAIN BiasAI.
Intégrité, innovation, impact, collaboration, agilité.
Cinq valeurs guident nos recherches et nos collaborations : une IA éthique, transparente et responsable ; la curiosité ; des résultats utiles aux clients et à la société ; la co-création avec l’industrie et le monde académique ; la capacité d’apprendre vite.
Une gouvernance hybride.
Un comité scientifique interne et un réseau consultatif externe, composé d’experts académiques et industriels, orientent la recherche. Aligné sur la mission de DTSC, le laboratoire garde son autonomie de recherche pour ses collaborations académiques et ses expérimentations. Il s’inscrit dans des doctorats conjoints, des partenariats public-privé et des programmes de recherche compétitifs, par exemple Win4Doc, Horizon Europe ou les EDIH.
Trois piliers complémentaires.
- L’investissement de DTSC, qui soutient l’orientation du laboratoire, ses premières recherches, son infrastructure et ses talents.
- Les financements publics, régionaux, nationaux et européens : Win4Doc et Win4Company en Wallonie, Innoviris à Bruxelles, les mandats Baekeland en Flandre, et des cadres européens.
- Les collaborations avec les entreprises : partenariats industriels, recherche sous contrat et projets d’IA appliquée.
Des travaux accessibles au plus grand nombre.
Selon les projets, nous diffusons nos travaux par des publications en libre accès, du code reproductible, des jeux de données publics et des événements de partage des connaissances.
Publications scientifiques
- Learning and Reasoning for Legal AI via Intelligent Adaptive Multi-Model Routing with a Smart Evaluation LayerAditya Mukhopadhyay, Sara Ghane, Marco Di GennaroHHAI 2026: Proceedings of the 5th International Conference on Hybrid Human-Artificial Intelligence. SAGE Publications, 2026
- Benchmarking Physics-Injection Strategies for Transformer Hot-Spot Prediction: Residual, Physics-Informed, and Dynamic Gray-Box ModelsMario Real Enrique, Enrique Hortal, Sara Ghane, Marco Di Gennaro61st International Universities Power Engineering Conference, 2026
- Assessing railway network robustness under attacks: Evidence from Belgium and the NetherlandsPraneesh Sharma, Renzo Massobrio, Marco Di GennaroPhysica A: Statistical Mechanics and its Applications, 2026
- When Corporate Chatbots Show Bias: A Multi-Dimensional Analysis of LLMs in Enterprise SettingsShreya Bhattacharya, Vincent Hagenow, Marco Di GennaroECAI, 2025
Mémoires de master
- Physics-Informed Machine Learning for Transformer Thermal State Estimation: A Comparative StudyMario Real EnriqueMaastricht University, Pays-Bas
- Residential Energy Advising with Small Language Models: A Tool-Calling Architecture and Benchmark EvaluationM. Turan TahsinKU Leuven, Belgique
- Measuring Grammatical CompetenceAditya MukhopadhyayManipal Academy of Higher Education, Inde
- Toward Transparent Fault Diagnosis in Grid-Interactive Building Energy Control: Using SHAP and LLMs to Explain Black-Box ControllersEdouard SteylemanKU Leuven, Belgique
- Digital Twin for railway network simulationEthan BebelambouUniversité libre de Bruxelles (ULB), Belgique
Source : document « BRAIN projects » du laboratoire, version du 13 novembre 2026. Les références sont données dans leur langue d’origine.
Faire avancer l’écosystème.
- Coopérations scientifiques et universitaires
- Recherche sur des enjeux collectifs
- Transmission et partage des résultats selon les projets