BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240314T170000
DTEND;TZID=Europe/Paris:20240314T190000
DTSTAMP:20260427T115037
CREATED:20240130T143712Z
LAST-MODIFIED:20240130T143717Z
UID:9876-1710435600-1710442800@datacraft.paris
SUMMARY:ÉTAT DE L'ART - Réseaux de neurones sur (hyper)-graphes appliqués à la génération de structures chimiques
DESCRIPTION:Inscription\n                \n            \n            \n			\n				\n				\n				\n				\n				Niveau Machine Learning : \n** Bonnes Connaissances en Machine Learning \nNiveau Python : \n* Compétence de base en Python \nDescription de l’atelier : \nQue 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\, …). \nLe 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. \nDescription du jeu de données : \nLe 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/ \nApproche Algo : \n– Message-Passing Neural Networks (MPNNs)– Probabilistic Denoising Diffusion Models– Equivariance constraints and Geometric Deep LearningLiens : \n\nDatasets: http://quantum-machine.org/datasets/\nDeepMind materials: https://www.nature.com/articles/s41586-023-06735-9\nHamGNN: https://www.nature.com/articles/s41524-023-01130-4\n\nIntervenants : \nOlivier Peltre\, Postdoc au CRIL\, CNRS
URL:https://datacraft.paris/event/etat-de-lart-reseaux-de-neurones-sur-hyper-graphes-appliques-a-la-generation-de-structures-chimiques/
LOCATION:datacraft –\, 3 rue Rossini\, 75009 Paris\, France
END:VEVENT
END:VCALENDAR