Libellé de l'école *
Détails du projet
Porteur du projet
Cette thematique de l'intelligenge artificelle en physique est non seulement actuelle, mais est egalement tres populaire, avec presque 300 applications cette annee. L'intersection entre la physique théorique et le machine learning, notamment en ce qui concerne les réseaux de neurones, est de plus en plus reconnue comme un pilier essentiel de la nouvelle ère de l'intelligence artificielle. Concrètement, l'école se concentrera sur les thématiques suivantes, situées à la croisée de la physique et de l'informatique, et aux frontieres de la recherche actuelles:
Les modèles de diffusion et de flow, essentiels à la génération d'images (a la base d'application comme DALL-E) mais aussi à la conception de molécules biologique complexes, ou à la résolution de problèmes quantiques, revolutionnent les science numerique. Ils tirent leurs fondements de l'analyse du mouvement brownien, des ODE et des SDE, et de leurs relations avec la théorie des champs. L'interconnexion des compétences des physiciens, mathématiciens et informaticiens est à ce carrefour essentielle.
La descente de gradient, envisagée comme une immersion dans un paysage énergétique, s'aligne naturellement avec les principes de la physique statistique, des dynamiques de Langevin, entre autres. Comprendre la dynamique d'apprentissage des reseaux a travers cette analogie physique est une question majeure et un enjeu fondamental de la recherche actuelle.
Les enjeux éthiques et techniques associés à l'alignement des réseaux de neurones avec les valeurs humaines ---une question d'actualite brulante--- touchent à la fois la statistique, la géométrie à haute dimension et des questions essentielles telles que les biais et la calibration des réseaux. Ce sont des problemes ou la physique statistique de haute dimension permet d'apporter des reponses concrete avec des outils nouveaux pour une estimation des erreurs efficaces.
L'élaboration d'une théorie mathématique robuste pour comprendre les possibilités d'apprentissage optimal des algorithmes efficaces face aux données générées par des modèles probabilistes. Cette exploration, bien qu'ancrée dans les fondements de la physique statistique et des transitions de phase des modèles de la matière condensée, se recoupe largement avec les domaines du machine learning, de l'informatique et du traitement statistique des données. Le défi réside dans la combinaison synergique de ces approches inspirées de la physique théorique avec des applications concrètes en informatique, promettant ainsi une avancée majeure dans notre compréhension de la capacité à apprendre à partir des données.
Enfin, la question qui intrigue tous les chercheurs en apprentissage statistique : Pourquoi les réseaux surparamétrés généralisent-ils aussi efficacement? Cette interrogation remet en cause la théorie établie. Pendant des décennies, le machine learning s'est appuyé des piliers théoriques, aujourd'hui ébranlés par l'avènement des techniques modernes comme le deep learning. La remise en question de ces piliers fondamentaux a propulsé l'intelligence artificielle à des sommets inattendus, tout en laissant derrière elle un vide théorique. Face à ces défis, il est impératif de s'armer des outils avancés que la physique offre. Cette école ambitionne de favoriser la fertilisation croisée entre les disciplines, espérant ainsi catalyser le développement d'une communauté engagée dans ces enjeux majeurs. Par ailleurs, l'ete 2025 est uen occasion majeure pour la physique, a cause de l'organisation de STATPHYS 25 a Florence en fin Juillet, ce qui permettrait a l'ecole de beneficier de la presence de nombreux specialiste mondiaux ---et d'etudiants internationaux--- qui seront en europe a quelques semaines d'intervalles.
Domaine et sujet
Comité Scientifique
Comité d'Organisation
Public visé *
Programme. Précisez les différents thèmes ainsi que les noms des intervenants pressentis ou déjà contactés (3000 caractères max)*
Evènement grand public
Subventions et financement
Commentaires
Inscriptions en ligne