Explore des applications scientifiques d'apprentissage automatique, des défis avec des données éparses et des algorithmes inspirés de la physique pour améliorer les méthodes spectrales.
Explore les transitions de phase en physique et les problèmes de calcul, mettant en évidence les défis rencontrés par les algorithmes et l'application des principes de physique dans la compréhension des réseaux neuronaux.
Explore l'application de l'apprentissage automatique aux systèmes à l'échelle atomique, en mettant l'accent sur la symétrie dans la cartographie des caractéristiques et la construction de descripteurs invariants en rotation.
Explore les descripteurs atomiques, en mettant l'accent sur la symétrie, la localité et les défis de l'incorporation de l'électrostatique dans les modèles d'apprentissage automatique pour la chimie.
Explore les applications et les défis des états quantiques neuronaux dans la science quantique computationnelle, y compris les spins frustrés et les cartographies de la chimie quantique.
Explore les erreurs optimales dans les modèles de grande dimension, en comparant les algorithmes et en faisant la lumière sur l'interaction entre l'architecture du modèle et la performance.
