Description du projet
Simplifier la complexité de l’apprentissage automatique
Les modèles d’apprentissage automatique deviennent de plus en plus complexes afin de faire progresser des domaines tels que les soins de santé, la finance et les sciences du climat. Cependant, les modèles actuels sont gourmands en ressources, difficiles d’accès et peu interprétables, ce qui limite leur potentiel. Le projet BeME, financé par le CER, s’attachera à développer des modèles plus simples et plus efficaces, qui resteront performants tout en étant faciles à comprendre. En recourant à des techniques issues de la physique statistique, de l’étude des systèmes désordonnés et de la physique numérique, les chercheurs créeront des outils capables de révéler des tendances dans les données, de fonctionner efficacement même avec des informations limitées et de réduire les coûts d’entraînement. Des applications en neurosciences, en bio-informatique et en modélisation de la turbulence démontreront l’incidence concrète de ces innovations. Les travaux proposés visent à remodeler l’avenir de l’apprentissage automatique afin de le rendre plus accessible et plus efficace face à un éventail plus large de défis.
Objectif
Machine learning is revolutionizing science and society, enabling transformative breakthroughs such as predicting protein structures, simulating many body quantum systems, and redefining entire fields like healthcare, finance, or climate modeling. Yet, this rapid progress comes at a cost: the unprecedented scale and complexity of state-of-the-art models make them resource-intensive, inaccessible, and often opaque. These challenges limit their potential, hindering our ability to understand, optimize, and deploy them responsibly. To unlock the full power of machine learning, we must reimagine its foundations.
This project challenges the 'bigger is better' paradigm in machine learning by proposing an alternative: the development of simpler, more efficient generative models that can handle the complexity of the real world while remaining analytically interpretable. Using techniques from statistical physics, disordered systems and computational physics, the project aims to uncover how these models encode patterns, address learning challenges and reduce training costs without sacrificing performance or expressiveness. Crucially, these models will be designed to extract meaningful insights from general-purpose data sets, perform reliably in data-scarce scenarios and accelerate simulations in complex systems.
By developing a new generation of inference algorithms and showcasing their effectiveness through three proof-of-concept applications in neuroscience, bioinformatics, and turbulence modeling, this research aims to significantly expand the toolbox for data-driven discovery. Beyond tackling practical challenges, it seeks to advance our fundamental understanding of unsupervised learning mechanisms while prioritizing sustainability, transparency, and inclusivity. This project reimagines machine learning as a responsible and accessible tool to drive scientific and societal progress.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
La classification de ce projet a été validée par des humains.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
La classification de ce projet a été validée par des humains.
- sciences naturelles informatique et science de l'information intelligence artificielle apprentissage automatique apprentissage non supervisé
- sciences naturelles informatique et science de l'information intelligence artificielle intelligence artificielle générative
- sciences naturelles sciences physiques mécanique classique mécanique statistique
- sciences naturelles informatique et science de l'information intelligence artificielle apprentissage automatique apprentissage profond
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
HORIZON.1.1 - European Research Council (ERC)
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
HORIZON-ERC - HORIZON ERC Grants
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) ERC-2025-COG
Voir tous les projets financés au titre de cet appelInstitution d’accueil
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
28040 MADRID
Espagne
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.