Chimie quantique, machine learning et énergie solaire

Proposition de projet long M2

               Introduction au deep learning & application à la chimie quantique

Le couplage chimie quantique/machine learning est un domaine en plein essor et très prometteur, notamment pour les applications technologiques et industrielles.
Celles que nous avons en vue concernent la sélection par ordinateur (”screening”) de cellules
photovoltaïques avec le meilleur rendement possible

L’objectif de ce projet est, partant d’une base de données publique récente, sera de tester différents algorithmes pour la prédiction numérique de propriétés physico-chimiques quantitatives de petites molécules.

On comparera différentes représentations des données qui peuvent être considérées soit comme des graphes soit comme des tenseurs. On testera ensuite différentes méthodes d'apprentissage, comme le deep learning ou les méthodes à noyaux.

Le projet pourra se faire en binôme, chaque étudiant abordant un aspect différent du problème. On s'appuiera sur divers travaux récents en chimie quantique ainsi que sur les dernières avancées en apprentissage de représentation

Bibliographie:

○ Y. Bengio, A. Courville, and P. Vincent. "Representation learning: A review and new perspectives." IEEE transactions on pattern analysis and machine intelligence 35.8, 1798-1828 (2013).
○ F. Chazal and  B. Michel. "An introduction to Topological Data Analysis: fundamental and practical      aspects for data scientists", preprint arXiv:1710.04019 (2017).
○ M. Rupp. Machine learning for quantum mechanics in a nutshell, International Journal of Quantum Chemistry 115 1058-1073 (2015)
○ H. Huo and M. Rupp. "Unified Representation of Molecules and Crystals for Machine Learning",  preprint  arXiv:1704.06439 (2017).

This site was designed with the
.com
website builder. Create your website today.
Start Now