Institut multidisciplinaire d'intelligence artificielle

Trouver les bonnes abstractions d'une entrée sensorielle de haute dimension plutôt complexe permet aux humains d'adapter avec flexibilité leur comportement à des environnements en constante évolution. Des effets peuvent être observés dans la cognition sociale - par exemple, la perception dépendante du contexte de l'expression faciale, ainsi que dans les interactions physiques, telles que la manipulation d'objets où le mouvement d'un agent doit constamment s'adapter à des environnements changeants.
Comment les représentations abstraites d'une entrée visuelle de bas niveau évoluent-elles ? Plus précisément, comment l'action façonne-t-elle l'apprentissage des représentations visuelles ? Mon travail vise à découvrir et à utiliser les informations qui découlent du couplage de la vision et de l'interaction sociale. Cela ouvre une source d'informations incroyablement riche sur la structure visuelle, allant des relations physiques entre le mouvement et la formation de l'image aux représentations visuelles de haut niveau apprises, façonnées par l'interaction avec l'environnement et d'autres pairs.
Dans cette présentation, je montrerai comment réconcilier l'apprentissage automatique avec la structure visuelle pour la synthèse comportementale dans les applications robotiques, et comment étendre l'apprentissage automatique en incorporant des informations d'action pour structurer les espaces latents appris. Ces deux stratégies constituent des étapes vers l'apprentissage automatique avec une supervision humaine considérablement réduite.

Selon l'idée reçue, les biais inductifs imposés aux modèles d'apprentissage pourraient, à terme, freiner les progrès, et il vaudrait peut-être mieux recourir à davantage de puissance de calcul et collecter davantage de données.  Et pourtant, les systèmes physiques tels que les molécules et les matériaux obéissent à des lois bien comprises qui ne peuvent être enfreintes. Dans cette présentation, je montrerai comment les réseaux neuronaux équivariants à la symétrie euclidienne (E(3)NNs) constituent un contre-exemple puissant : l'intégration des symétries de l'espace 3D nous permet d'atteindre des performances de pointe sur diverses tâches d'apprentissage axées sur la prédiction des propriétés des systèmes atomistiques.  Au-delà de la précision exceptionnelle de ces modèles, ceux-ci présentent également une excellente efficacité en termes de données, une propriété particulièrement importante lorsque les étiquettes proviennent généralement d'expériences chronophages ou de calculs de mécanique quantique.
En guise d'introduction à la chaire récemment lancée chaire « Des essais et erreurs à la manière d'Edison à la conception inverse de matériaux et de molécules », je présenterai quelques exemples de la manière dont nous avons développé des E(3)NN et d'autres modèles tenant compte de la symétrie pour prédire les propriétés des matériaux, ainsi que nos premiers pas vers la conception inverse à l'aide de la modélisation générative. Enfin, je présenterai brièvement certains des objectifs de la chaire les quatre prochaines années.