Le transport optimal est un outil pour gérer les distributions de probabilités connu pour être difficile à résoudre. Les principales approches (utilisant notamment des convolutions) demandent malgré tout un temps de calcul non négligeable, ce qui le rend inutilisable pour des problèmes d'apprentissage automatiques sur de grosses masses de données.

Nous nous proposons de nous attaquer à ce problème de vitesse dans le sens inverse : en essayant de développer des outils d'apprentissage automatiques pour accélerer le calcul du transport optimal, ce qui permettra par la suite d'utiliser ce calcul rapide dans des applications d'apprentissage automatique.