Explore l'application de modèles générateurs profonds dans la découverte de médicaments, en mettant l'accent sur la conception de petites molécules et l'optimisation des structures moléculaires.
Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.
Explore la dynamique moléculaire Car-Parrinello, une approche unifiée combinant la dynamique moléculaire et la théorie de la densité-fonctionnelle pour simuler divers systèmes, en mettant l'accent sur le contexte historique, les détails techniques et les défis dans les simulations atomistes.
Explore le projet EXSCALATE4COV, axé sur la découverte informatique de médicaments pour les traitements COVID-19 et la collaboration entre le milieu universitaire et l'industrie.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.
Explore le design moléculaire computationnel, mettant l'accent sur la théorie mathématique, l'informatique haute performance et les expériences In Vivo.
Explore l'apprentissage multi-tâches pour l'optimisation accélérée des réactions chimiques, les défis de mise en évidence, les workflows automatisés et les algorithmes d'optimisation.
Fournit une vue d'ensemble de l'apprentissage par renforcement, en se concentrant sur le gradient de politique et les méthodes critiques des acteurs pour les réseaux de neurones artificiels profonds.
Explore la dynamique d'apprentissage des réseaux neuronaux profonds en utilisant des réseaux linéaires pour l'analyse, couvrant les réseaux à deux couches et à plusieurs couches, l'apprentissage autosupervisé et les avantages de l'initialisation découplée.
Explore la conception moléculaire computationnelle, en mettant l'accent sur la théorie mathématique, l'informatique haute performance et les expériences In Vivo, en mettant l'accent sur la chimie quantique et la dynamique des électrons.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Explore les réseaux profonds et convolutifs, couvrant la généralisation, l'optimisation et les applications pratiques dans l'apprentissage automatique.
Explore l'optimisation décentralisée dans l'apprentissage automatique, en mettant l'accent sur la robustesse, la confidentialité et l'équité dans l'apprentissage collaboratif.
Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.
