Institut multidisciplinaire d'intelligence artificielle

DESCRIPTION

Je m'intéresse aux études interdisciplinaires entre la physique statistique et l'apprentissage automatique. De nos jours, l'apprentissage automatique devient un outil puissant pour les physiciens afin d'analyser divers problèmes physiques. Inversement, les concepts et les techniques développés en physique nous aident à découvrir le mystère qui se cache derrière les performances exceptionnelles des architectures d'apprentissage automatique, qui ont été considérées comme des boîtes noires. Actuellement, nous développons des méthodes d'apprentissage automatique inspirées de la physique statistique, créant ainsi une synergie entre la physique et l'apprentissage automatique.

Les modèles génératifs ont un impact considérable sur la société, comme la génération d'images et le chat GPT, pour n'en citer que quelques-uns. Bien qu'ils aient connu des succès remarquables, l'interprétabilité de ces performances exceptionnelles est mal comprise. Ils sont plutôt considérés comme une boîte noire. Nous travaillons sur des études interdisciplinaires entre la physique statistique et les modèles génératifs afin de comprendre le mécanisme d'apprentissage et de construire des algorithmes de génération efficaces. En particulier, il développe des modèles génératifs basés sur une technique de groupe de renormalisation. Le groupe de renormalisation est une technique puissante de la physique théorique moderne, qui nous permet de traiter les données de manière hiérarchique à chaque échelle. Ce nouveau modèle génératif nous permet d'interpréter le processus d'apprentissage ainsi que les résultats d'une manière physiquement intuitive, et nous fournit un nouvel algorithme rapide d'échantillonnage de Monte-Carlo pour générer de nouveaux exemples.

chaire

L'entropie joue un rôle important dans les sciences et l'ingénierie car elle caractérise diverses caractéristiques des systèmes, telles que l'évolution temporelle d'un échantillon macroscopique, la transformation de phase, l'émergence de certains ordres, etc. Cependant, la mesure de l'entropie est une tâche non triviale, en particulier lorsque le système n'est plus en équilibre. Cependant, la mesure de l'entropie est une tâche non triviale, en particulier lorsque le système n'est plus en équilibre. Ceci est principalement dû à la difficulté d'obtenir une distribution de probabilité à haute dimension à partir de données (par exemple, des images expérimentales, des configurations simulées). Nous développons un schéma pour mesurer l'entropie de Shannon en utilisant le modèle génératif mentionné ci-dessus. La méthode sera appliquée à des données d'images provenant de divers domaines, notamment la physique, la chimie et la biologie.