Se penche sur les défis de l'apprentissage profond, en explorant la dimensionnalité, les performances et les phénomènes sur-adaptés dans les réseaux neuronaux.
Explore la dynamique quantique de plusieurs corps à l'aide de réseaux neuronaux artificiels, en mettant l'accent sur les simulations expérimentales et les défis théoriques.
Explore l'analyse co-évolutionnaire des protéines, couvrant les fonctions protéiques, le pliage, les corrélations, le DCA et les outils de prédiction de la structure comme AlphaFold 2.
Explore les représentations de l'environnement chimique, les corrélations symétriques et les applications d'apprentissage automatique à l'échelle atomique.
Explore le développement historique de l'apprentissage profond, de l'apprentissage par renforcement, des mécanismes d'attention et des systèmes de mémoire en IA inspirés des neurosciences.
Discute de l'évolution des réseaux de neurones artificiels, des défis de l'apprentissage supervisé et du rôle des comportements innés dans la formation du comportement.
Il s'agit d'analyser la coévolution des résidus dans les familles de protéines afin de saisir les contacts indigènes et de prédire la proximité spatiale et les interactions protéiques.
Couvre la prédiction du contact avec les protéines à l'aide des modèles Potts et des méthodes de pseudo-probabilité, en comparant différentes approches pour la prédiction du contact dans les protéines.
Déplacez-vous dans des représentations d'invariance pour l'apprentissage automatique atomistique, y compris des fonctions de symétrie et des corrélations angulaires d'ordre supérieur.
Déplacez-vous dans les potentiels interatomiques de la machine appris, montrant leur précision et leur rentabilité dans la prédiction des propriétés chimiques.
Explore les représentations structurales équivariantes dans l'apprentissage machine atomistique, soulignant l'importance de représenter les propriétés cibles dans la base sphérique.
Se penche sur la prédiction des propriétés non scalaires au-delà des énergies dans l'apprentissage scientifique des machines, en se concentrant sur les moments dipolaires, la polarisabilité et la réponse diélectrique.
Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
Explore le lien entre les transitions de phase en physique et les problèmes de calcul, en montrant comment les connaissances de la physique peuvent éclairer la conception des algorithmes.
