HEC Montreal

Objet publié

Les modèles d’apprentissage profond sont de plus en plus adoptés et rapidement améliorés pour la prévision des propriétés dans la conception intelligente, y compris la prévision des fonctionnalités d’un nouveau circuit, la prévision des comportements de travail d’un nouveau matériau et l’anticipation des réactions d’un nouveau composé. Les techniques d’apprentissage profond de pointe s’appuient sur deux éléments de base : les réseaux neuronaux à graphes profonds et les signaux supervisés qui proviennent d’une grande quantité de données étiquetées. Les graphes sont des structures de données puissantes et polyvalentes qui permettent de modéliser les relations entre les objets. Grâce à la structure des graphes, l’apprentissage supervisé tire parti d’une grande quantité de données étiquetées pour construire une représentation graphique efficace, qui permet ensuite au modèle de prévision de prendre des décisions précises sur les propriétés d’une nouvelle conception. De tels réseaux neuronaux de pointe pour la prévision des propriétés dépendent fortement de l’apprentissage supervisé avec de grands ensembles de données étiquetées, ce qui est généralement coûteux et chronophage. Le présent projet examinera le développement de techniques fondamentales pour l’apprentissage de représentations graphiques en présence d’un nombre limité de données étiquetées afin de prévoir précisément des propriétés des nouvelles conceptions. Le résultat de ce projet sera un cadre d’apprentissage qui permettra d’apprendre efficacement la représentation graphique avec des données étiquetées limitées. Par conséquent, grâce à une représentation graphique améliorée, les propriétés d’un nouveau dessin peuvent être évaluées de manière plus précise et plus efficace, ce qui permet d’accélérer considérablement la recherche de dessins souhaitables.