Apprentissage machine

Machine Learning in Chemistry

lundi 02 novembre 2020 - 16:05:32
43622202442_4f2053b9b9_o.jpg

Le livre "Machine Learning in Chemistry" est un ouvrage collectif publié par Hugh M. Cartwright et édité par The Royal Society of Chemistry en 2020 [1]. C'est un ouvrage de référence établissant l'état de l'art en matière de chimie et d'apprentissage machine en 2020.

Présentation

Les progrès dans l'application de l'apprentissage machine (ML) aux sciences physiques et de la vie ont été rapides. Il y a dix ans, la méthode intéressait principalement les départements d'informatique, mais plus récemment, des outils d'apprentissage machine ont été mis au point, qui présentent un potentiel important dans de vastes domaines scientifiques. Il existe un consensus croissant sur le fait que les logiciels de ML et les domaines connexes de l'intelligence artificielle pourraient, le moment venu, devenir aussi fondamentaux pour la recherche scientifique que les ordinateurs eux-mêmes.

Pourtant, il subsiste une perception selon laquelle le ML est obscur ou ésotérique, que seuls les informaticiens peuvent vraiment le comprendre et qu'il existe peu d'applications significatives dans la recherche scientifique. Ce livre remet en question cette perception.

Avec des contributions de groupes de recherche de premier plan, il présente des exemples approfondis pour illustrer comment le ML peut être appliquée à des problèmes chimiques réels. Grâce à ces exemples, le lecteur peut à la fois se faire une idée de ce que le ML peut et ne peut pas (jusqu'à présent) réaliser, et identifier les caractéristiques qui pourraient rendre un problème en science physique susceptible d'être traité par le ML.

Ce livre de 546 pages est une ressource précieuse pour les scientifiques qui sont intrigués par la puissance de l'apprentissage machine et qui veulent en savoir plus sur la façon dont il peut être appliqué dans leur propre domaine.

Table des matières

  1. Ordinateurs et scientifiques
  2. Comment une machine apprend-elle?
  3. MedChemInformatics: une introduction à l'apprentissage machine pour la découverte de médicaments
  4. Apprentissage machine pour la dynamique moléculaire non-adiabatique
  5. L'apprentissage machine en science
  6. Une prédiction pour les états futurs: l'innovation chimique propulsée par l'intelligence artificielle pour des applications de défense
  7. L'apprentissage machine pour la synthèse organique
  8. Réseaux chimiques contraints en astrochimie
  9. L'apprentissage machine à l'interface (nano)matériaux--biologie
  10. Techniques d'apprentissage machine appliquées aux processus de polymérisation complexes
  11. Apprentissage machine et les fonctions de scoring (SF) pour la découverte de médicaments: prédiction et caractérisation des médicaments et cibles médicamenteuses
  12. L'intelligence artificielle appliquée à la prédiction des matériaux organiques
  13. Une nouvelle ère pour la découverte de matériaux inorganiques propulsée par la science des données
  14. Applications de l'apprentissage machine en ingéniérie chimique
  15. L'apprentissage de la représentation en chimie
  16. Démystifier les réseaux de neurones artificiels comme générateurs d'une nouvelle connaissance en chimie: la découverte de médicaments anti-paludéens (étude de cas)
  17. L'apprentissage machine en spectroscopie "core-loss"
  18. Science autonome: les outils des données de masse pour les problème à données réduites en chimie
  19. L'apprentissage machine pour la catalyse hétérogène: potentiel des réseaux de neurones globaux. De la construction à l'application.
  20. Quelques principes-guides pour les applications pratique de l'apprentissage machine à la science et à l'étude des matéraux.

[1] Hugh M. Cartwrigth (Éd.), Machine Learning in Chemistry, Theoretical and Computational Chemistry Series n° 17, Royal Soiety of Chemistry, 2020. [546 pages]