Rejoindre une ENS

[Peria]

C'est vraiment le domaine à la mode en ce moment le machine learning
J'ai l'impression que tout le monde veut faire ça

[siro]

En même temps ça produit des résultats assez neufs (même si on sait toujours pas exactement pourquoi ça fonctionne dans la théorie).

[Ewind]

En physique / physico chimie / chimie théorique c'est très utile car ca permet dans certains cas d'obtenir non pas des résultats nouveaux mais a un coup en terme de temps de calcul bien plus faible. ( un calcul en quantique pur c'est hors de prix en terme de temps de calcul)

[Nicolas G]

Je serai pas si affirmatif, pour le labo où je vais faire mon stage c'est encore en questionnement. En machine learning on ne maîtrise pas les étapes intermédiaires, c'est bien plus compliqué à entraîner pour résoudre des problèmes physiques, sans compter la pertinence des résultats, que pour de la segmentation d'image. Actuellement c'est très minoritaire dans la simulation numérique, alors que dans l'IA ou le traitement d'image c'est ultra majoritaire.

[siro]

Le ML c'est juste de la génération d'heuristiques automatisées, et dans pas mal de cas ça fonctionne vachement bien.
Mais pour des domaines où l'on a besoin d'un contrôle de la véracité des résultats (genre de la simulation de bidules nucléaires), c'est pas demain la veille qu'on va pouvoir en profiter, je crains

[Ewind]

Je pense a un groupe de chimie théorique ( François Xavier Courdert, Chimie Paris/Ulm).
Dès qu'il faut de la fiabilité c'est sur que c'est pas idéal, mais l'idée est plus d'explorer le champ des possibles a un bien plus faibles cout en calcul

[siro]

Y'a pas de raison que ça soit des applications "critiques" la chimie théorique (oui FXC est très bien et fait de la jolie recherche).

[Isacu]

Ce qui est pas mal utilisé en recherche actuellement, c'est les méthodes de Monte-Carlo, le ML ça reste encore assez limité pour le moment (mais qui sait ce qu'on pourra faire dans quelques années). Après je pense que le ML jouera rarement dans la recherche de pointe car il a besoin de grosses base de données pour se lancer, base de données qui sont forcément absentes si on fait quelque chose de totalement nouveau. Après sur des domaines où les règles générales sont déjà connues (chimie, plasma, méca flotte, ...) ça devrait surement permettre d'accélérer pas mal les calculs en ne faisant que ceux qui sont "pertinents" (Le rôle du ML dans Alphago c'était juste de savoir quand s'arrêter devant une configuration de pièces peu prometteuse).

[Hazherty]

Je voudrais juste faire une petite distinction entre le machine learning, et le Deep Learning (qui en est un sous ensemble).

Le premier regroupe toutes les formes d'apprentissages, supervisés (via entraînement d'un jeu énorme de données labellisés) ou non (clustering, classification, inférence).

Le deuxième est supervisé et plus flou dans sa manière de fonctionner, c'est ce que les gens imaginent quand on parle de ML. Il contient par exemple les réseaux de neurones, où il y a un gros effort pour étudier leur convergence pendant l'apprentissage.