Apprentissage en grande dimension : de l'image à la chimie quantique

La performance des algorithmes d'apprentissage en grande dimension a fait un bond au cours des 10 dernières années, notamment grâce aux réseaux de neurones profonds qui semblent être capable de contourner la malédiction liée à la très grande dimensionnalité des données. Ces réseaux obtiennent des résultats au meilleur niveau de l'état de l'art aussi bien en reconnaissance d'images, de sons, de langage naturel, que pour des données biomédicales.
Nous montrerons que ces réseaux non-linéaires calculent des invariants permettant de caractériser des propriétés géométriques complexes, ainsi que des processus aléatoires intermittents. Au-delà des applications à la classification d'images, nous montrerons que ces architectures peuvent apprendre des fonctionnelles de la physique, telles que l'énergie de molécules en chimique quantique.