Apprentissage automatique probabiliste efficace pour la chimie numérique
Découvrez comment l'apprentissage automatique peut optimiser les différents cycles de développement. Découvrez une nouvelle façon d'accéder à l'intelligence artificielle. Aucune solution basée sur le cloud n'est nécessaire : utilisez une IA locale pour protéger vos données.
Faibles émissions, durabilité et efficacité des ressources sont des exigences essentielles dans l'industrie chimique. Le développement de produits et de processus implique généralement un grand nombre d'expériences, qui nécessitent du temps, de l'énergie et des matières premières. L'apprentissage automatique peut faciliter la planification et l'évaluation des expériences de manière plus efficace et plus économe en ressources.
L'utilisation pratique de l'apprentissage automatique en chimie est souvent limitée par deux facteurs. Premièrement, le développement et l'étalonnage des modèles d'apprentissage automatique nécessitent généralement une expertise spécialisée en science des données et en intelligence artificielle. Deuxièmement, de nombreuses approches existantes fournissent des prévisions sans évaluation claire de leur fiabilité, ce qui réduit la confiance dans les résultats. En particulier, les méthodes basées sur de grands modèles linguistiques manquent souvent d'une quantification explicite de l'incertitude.
Dans cette présentation, nous exposons une approche probabiliste d'apprentissage automatique pour les tâches d'optimisation, de prédiction et de contrôle, dans laquelle l'incertitude fait partie intégrante du résultat du modèle. Cela permet aux utilisateurs d'évaluer la fiabilité des résultats proposés. Les algorithmes requis sont implémentés dans une application qui peut être utilisée via une saisie textuelle. Des modèles linguistiques sont utilisés pour traduire les saisies des utilisateurs en tâches formelles, tandis que les calculs numériques sont effectués par le workflow probabiliste STOCHOS. Aucune connaissance en programmation ou en intelligence artificielle n'est requise.
Nous démontrons en outre comment les modèles probabilistes peuvent contribuer à une meilleure compréhension des systèmes chimiques complexes et prendre en compte à la fois les considérations économiques et écologiques. Cette approche est conçue pour les environnements de laboratoire et industriels et peut être mise en œuvre localement, sans dépendre d'infrastructures basées sur le cloud.
Remarque : Veuillez noter que cette présentation sera donnée en anglais.
Intervenants (1)
