Niveau Machine Learning :

** Bonnes Connaissances en Machine Learning

Niveau Python :

* Compétence de base en Python

Description de l’atelier :

Que ce soit pour la conception de matériaux, de médicaments ou la modélisation de protéines, l’IA permet aujourd’hui de générer des structures chimiques stables et de prédire leurs propriétés avec une fiabilité remarquable. L’espoir à plus long terme est de parvenir à des modèles de génération conditionnelle, qui proposeraient des structures aux propriétés désirées (e.g. band gap d’un semi-conducteur, affinités d’un ligand ou d’une protéine avec une autre, …).

Le but de cet atelier sera d’explorer différents problèmes d’apprentissage qui impliquent des structures de graphes ou d’hypergraphes (i.e. capturant des relations entre plus de 2 sommets, comme des angles). On décrira certaines architectures de Message-Passing Neural Networks (MPNNs), ainsi que les structures de données sparse mises en jeu dans leur implémentation.

Description du jeu de données :

Le jeu de données public QM7 est une bon point de départ pour la prédiction de structures et de propriétés chimiques. Il contient ~7k molécules dont la géométrie et l’énergie d’atomisation ont été calculés par simulation des interactions quantiques. Le jeu de données QM9 contient quant à lui plus de 130k molécules.
Voir http://quantum-machine.org/datasets/

Approche Algo :

– Message-Passing Neural Networks (MPNNs)
– Probabilistic Denoising Diffusion Models
– Equivariance constraints and Geometric Deep Learning
Liens :

• Datasets: http://quantum-machine.org/datasets/
• DeepMind materials: https://www.nature.com/articles/s41586-023-06735-9
• HamGNN: https://www.nature.com/articles/s41524-023-01130-4

Intervenants :

Olivier Peltre, Postdoc au CRIL, CNRS