Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Machine learning and the physics of complex and disordered systems

Description du projet

L’apprentissage automatique est susceptible de devenir un outil puissant pour la recherche en physique

La technologie de l’apprentissage automatique, à savoir l’étude des algorithmes informatiques qui progressent automatiquement au fur et à mesure de leurs expériences, s’est révélée capable de résoudre des problèmes complexes d’ingénierie dans les champs de la reconnaissance d’images, de la traduction automatique et du jeu vidéo. La recherche s’intéresse maintenant à ses applications dans le domaine de la physique théorique, en raison de sa capacité à identifier des schémas et des tendances dans des ensembles de données en haute dimension, et à estimer de manière efficace des relations fonctionnelles compliquées. L’objectif du projet COMPLEX ML, financé par l’UE, est de renforcer cette relation entre l’apprentissage automatique et la recherche en physique. Les chercheurs utiliseront des idées et des méthodes issues de la physique des systèmes désordonnés afin d’optimiser les performances et l’entraînement d’algorithmes d’apprentissage automatique dernier cri. En outre, l’équipe combinera des techniques d’apprentissage automatique à des méthodes modernes de physique computationnelle afin de développer de nouveaux outils pour les systèmes désordonnés.

Objectif

Machine learning (ML) has proven capable of tackling difficult engineering problems in image recognition and automated translation, but even more impressively in domains where traditional algorithmic approaches had struggled, such as game playing. Though the relations between ML and physics are decades old, it only recently attracted a widespread attention of scientists in many subfields of theoretical physics due to its ability to identify patterns in high-dimensional data, and to efficiently approximate complicated functional relationships. At the same time, the empirically oriented philosophy of ML is very different from that of fundamental sciences: a trained model often offers little insights into the qualitatively important aspects of the problem, how the solution was arrived at, what are the guarantees of correctness, and, crucially, how to generalize it. Bridging this conceptual gap is thus of fundamental importance, if ML is to become a powerful and controlled tool in physics research. This interdisciplinary projects aims to bring about successful development and application of ML methods resulting in qualitatively new insights in physics by following a twofold strategy. On the one hand, the performance and training of state-of-the-art ML algorithms will be improved using methods of complex and disordered systems. Specific problems targeted will include novel reinforcement learning schemes, and training of binary neural networks, with input from industrial R&D researchers. On the other, cutting edge ML techniques, particularly those with a strong underpinning in information theory, will be combined with modern computational physics methods to develop new tools for disordered systems. This is motivated by the possibility of using them to study soft materials, providing better understanding of these ubiquitous but complex systems.

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.

Vous devez vous identifier ou vous inscrire pour utiliser cette fonction

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).

Programme(s)

Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.

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.

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.

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

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.

(s’ouvre dans une nouvelle fenêtre) H2020-MSCA-IF-2019

Voir tous les projets financés au titre de cet appel

Coordinateur

UNIVERSITAT ZURICH
Contribution nette de l'UE

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.

€ 260 840,64
Coût total

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.

€ 260 840,64

Partenaires (1)

Mon livret 0 0