Caractériser la structure multidimensionnelle des hadrons en termes de quarks et gluons est aujourd’hui l’un des objectifs majeurs de la physique hadronique. C’est en effet la thématique centrale de plusieurs installation expérimentales à travers le monde, mais également l’une des raisons principales de la construction de futurs collisionneurs aux États-Unis comme en Chine. C’est également l’un des points de recherche clés des simulations numériques intensives de l’interaction forte. Cependant, dans ces deux cas, la connexion entre les données mesurées et simulées d’une part, et la structure multidimensionnelle des hadrons d’autre part, n’est pas directe. Les données sont liées à la structure des hadrons via des problèmes inverses multidimensionnels et mathématiquement mal posés. Il a été montré que ces problèmes inverses entraînent un accroissement significatif des incertitudes, au point d’en devenir dans certains cas la source dominante. Le but de la thèse est d’utiliser des outils d’apprentissage automatique pour à la fois évaluer, réduire, propager correctement les incertitudes, depuis les données expérimentales ou de simulation jusqu’à la structure multidimensionnelle des hadrons. La stratégie pour y arriver consiste à développer une architecture originale de réseau de neurones capable de tenir compte de l'ensemble des propriétés théoriques issues de la chromodynamique quantique, puis de l'adapter aux problèmes inverses reliant les données expérimentales et de simulation à la structure 3D des hadrons.