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.

La sagesse populaire voudrait nous faire croire que les biais inductifs imposés aux modèles d'apprentissage peuvent en fin de compte freiner les progrès, et qu'il serait préférable d'appliquer plus de calcul et de collecter plus de données. Pourtant, les systèmes physiques tels que les molécules et les matériaux obéissent à des lois bien comprises qui ne peuvent être violées. Dans cette présentation, je décrirai comment les réseaux neuronaux équivariants à la symétrie euclidienne (E(3)NN) fournissent un contre-exemple puissant où l'incorporation des symétries de l'espace 3D nous permet d'atteindre des performances de pointe sur une variété de tâches d'apprentissage axées sur la prédiction des propriétés des systèmes atomistiques. Au-delà de la précision exceptionnelle de ces modèles, ils présentent également une excellente efficacité des données, une propriété particulièrement importante lorsque les étiquettes proviennent généralement d'expériences ou de calculs de mécanique quantique qui prennent beaucoup de temps.
À titre d'introduction à la chaire récemment créée intitulée "De l'essai et erreur édisonien à la conception inverse de matériaux et de molécules", je donnerai quelques exemples de la façon 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 dans la conception inverse à l'aide de la modélisation générative. Enfin, je décrirai certains des objectifs de la chaire au cours des quatre prochaines années.