Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Interprétation de la mécanique quantiqueUne interprétation de la mécanique quantique est une tentative d'explication de la façon dont la théorie mathématique de la mécanique quantique « correspond » à la réalité. Bien que la mécanique quantique ait fait l'objet de démonstrations rigoureuses dans une gamme extraordinairement large d'expériences (aucune prédiction de la mécanique quantique n'a été contredite par l'expérience), il existe un certain nombre d'écoles de pensée concurrentes sur son interprétation.
Mécanique quantiqueLa mécanique quantique est la branche de la physique théorique qui a succédé à la théorie des quanta et à la mécanique ondulatoire pour étudier et décrire les phénomènes fondamentaux à l'œuvre dans les systèmes physiques, plus particulièrement à l'échelle atomique et subatomique. Elle fut développée dans les années 1920 par une dizaine de physiciens européens, pour résoudre des problèmes que la physique classique échouait à expliquer, comme le rayonnement du corps noir, l'effet photo-électrique, ou l'existence des raies spectrales.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Postulats de la mécanique quantiquevignette|Participants au Congrès Solvay de 1927 sur la mécanique quantique Cet article traite des postulats de la mécanique quantique. La description du monde microscopique que fournit la mécanique quantique s'appuie sur une vision radicalement nouvelle, et s'oppose en cela à la mécanique classique. Elle repose sur des postulats. S'il existe un très large consensus entre les physiciens sur la manière de réaliser les calculs qui permettent de rendre compte des phénomènes quantiques et de prévoir leur évolution, il n'existe pas en revanche de consensus sur une manière unique de les expliquer aux étudiants.
Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Problème de la mesure quantiqueLe problème de la mesure quantique consiste en un ensemble de problèmes, qui mettent en évidence des difficultés de corrélation entre les postulats de la mécanique quantique et le monde macroscopique tel qu'il nous apparaît ou tel qu'il est mesuré.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Mécanique quantique relationnelleLa mécanique quantique relationnelle (MQR) est une interprétation de la mécanique quantique qui traite l'état d'un système quantique comme étant dépendant de l'observateur, c'est-à-dire que l'état est la relation entre l'observateur et le système. Cette interprétation a été décrite pour la première fois par Carlo Rovelli en 1994, et a été développée depuis par un certain nombre de théoriciens. Elle s'inspire d'une idée clé de la relativité restreinte, selon laquelle les détails d'une observation dépendent du cadre de référence de l'observateur, et utilise certaines idées de Wheeler sur l'information quantique .
Algèbre linéairevignette|R3 est un espace vectoriel de dimension 3. Droites et plans qui passent par l'origine sont des sous-espaces vectoriels. L’algèbre linéaire est la branche des mathématiques qui s'intéresse aux espaces vectoriels et aux transformations linéaires, formalisation générale des théories des systèmes d'équations linéaires. L'algèbre linéaire est initiée dans son principe par le mathématicien perse Al-Khwârizmî qui s'est inspiré des textes de mathématiques indiens et qui a complété les travaux de l'école grecque, laquelle continuera de se développer des siècles durant.
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
Physique moléculairedroite|vignette|264x264px| Structure moléculaire du diamant en rotation La physique moléculaire est l'étude des propriétés physiques des molécules, des liaisons chimiques entre atomes ainsi que de la dynamique moléculaire. Les techniques expérimentales les plus importantes en physique moléculaire sont les divers types de spectroscopie ; la diffusion y est également utilisée. Ce domaine de physique moléculaire est étroitement lié à celui de la physique atomique et recoupe largement ceux de la chimie théorique, la chimie physique et la physique chimique .
Introduction à la mécanique quantiqueLe but de cet article est de présenter une introduction accessible, non technique, au sujet. Pour l'article encyclopédique consulter Mécanique quantique. La mécanique quantique est la science de l'infiniment petit : elle regroupe l'ensemble des travaux scientifiques qui interprètent le comportement des constituants de la matière, et ses interactions avec l'énergie, à l'échelle des atomes et des particules subatomiques. La physique classique décrit la matière et l'énergie à l'échelle humaine, dans leur observation de tous les jours, y compris les corps célestes.
Densité électroniqueright|thumb|300px|Carte de densité électronique dans le plan [1-10] du diamant. En mécanique quantique, et en particulier en chimie quantique, la densité électronique correspondant à une fonction d'onde N-électronique est la fonction monoélectronique donnée par : Dans le cas où est un déterminant de Slater constitué de N orbitales de spin : La densité électronique à deux électrons est donnée par : Ces quantités sont particulièrement importantes dans le contexte de la théorie de la fonctionnelle de la densité : Les coordonnées x utilisées ici sont les coordonnées spin-spatiales.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
Résidu (statistiques)In statistics and optimization, errors and residuals are two closely related and easily confused measures of the deviation of an observed value of an element of a statistical sample from its "true value" (not necessarily observable). The error of an observation is the deviation of the observed value from the true value of a quantity of interest (for example, a population mean). The residual is the difference between the observed value and the estimated value of the quantity of interest (for example, a sample mean).
Surapprentissagevignette|300x300px|La ligne verte représente un modèle surappris et la ligne noire représente un modèle régulier. La ligne verte classifie trop parfaitement les données d'entrainement, elle généralise mal et donnera de mauvaises prévisions futures avec de nouvelles données. Le modèle vert est donc finalement moins bon que le noir. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données.
Géométrie moléculaireLa géométrie moléculaire ou structure moléculaire désigne l'arrangement 3D des atomes dans une molécule. . La géométrie moléculaire peut être établie à l'aide de différents outils, dont la spectroscopie et la diffraction. Les spectroscopies infrarouge, rotationnelle et Raman peuvent donner des informations relativement à la géométrie d'une molécule grâce aux absorbances vibrationnelles et rotationnelles. Les diffractométries de rayons X, de neutrons et des électrons peuvent donner des informations à propos des solides cristallins.
Rule-based machine learningRule-based machine learning (RBML) is a term in computer science intended to encompass any machine learning method that identifies, learns, or evolves 'rules' to store, manipulate or apply. The defining characteristic of a rule-based machine learner is the identification and utilization of a set of relational rules that collectively represent the knowledge captured by the system. This is in contrast to other machine learners that commonly identify a singular model that can be universally applied to any instance in order to make a prediction.
