Le doctorant en physicochimie quantique Mohamed Loutis a reçu un Digital Discovery Award au quatrième symposium du CEMDI (Computational Energy Materials Design Infrastructure) et du PAIMS (Perspective of AI in Materials Science).
Commanditée par la Royal Society of Chemistry du Royaume-Uni, cette distinction lui a été remise pour sa présentation intitulée «Reduced-Feature Deep Learning for Exchange–Correlation Functionals with Physics-Based Modeling». Ses travaux proposent une nouvelle approche de modélisation des fonctionnelles d’échange-corrélation en théorie de la fonctionnelle de la densité, fondée sur des réseaux de neurones profonds informés par la physique.
L’approche se distingue par sa capacité à extrapoler à partir de données complexes situées au-delà du domaine d’apprentissage du modèle. Autrement dit, elle vise à prédire le comportement de systèmes différents de ceux qui ont servi à entraîner le réseau de neurones.
En intégrant directement des connaissances physiques au modèle, Mohamed Loutis cherche à surmonter une faiblesse de nombreux outils d’intelligence artificielle (IA). Ceux-ci peuvent obtenir de bons résultats avec des données semblables à celles de leur entraînement, mais perdre en fiabilité devant des situations nouvelles. La méthode proposée pourrait ainsi contribuer au développement de modèles plus robustes et plus cohérents avec les principes de la physique.
Le symposium réunissait des spécialistes de la science informatique et expérimentale des matériaux ainsi que de l’intelligence artificielle. Au carrefour de la chimie, de la physique, des mathématiques et de la science des données, l’évènement comptait 47 présentateurs du Canada, des États-Unis, de la France, du Japon et des Émirats arabes unis.
