Cette étude a utilisé un cadre d’apprentissage automatique pour explorer les états cellulaires basiques constitutifs des sarcomes des tissus mous et leur écosystème cellulaire, et les a associés au pronostic des patients et à la réactivité à l’immunothérapie. Contexte de l’étude : Les sarcomes des tissus mous sont des tumeurs malignes rares et hété...
Pré-entraînement auto-supervisé géométriquement renforcé pour les interactions interatomiques Introduction La dynamique moléculaire (DM) joue un rôle important dans les domaines de la physique, la chimie, la biologie et la science des matériaux, en fournissant des informations au niveau atomique. La précision et l’efficacité des simulations DM dépe...
Une percée majeure dans la recherche en neurosciences : la technologie de l’apprentissage profond permet de décoder la parole naturelle à partir de signaux cérébraux Une équipe de recherche interdisciplinaire de l’Université de New York a récemment réalisé une percée majeure dans les domaines des neurosciences et de l’intelligence artificielle. Ils...
Les chercheurs impliqués dans la découverte précoce de médicaments sont confrontés à un énorme défi : trouver des molécules candidates ayant une activité pharmacologique parmi environ 10^60 structures moléculaires possibles. Une solution réussie consiste à commencer par des molécules “fragmentaires” plus petites, une stratégie connue sous le nom de...
Voici la traduction française du rapport sur l’article académique concernant le modèle de transformateur de graphe (MassFormer) pour la prédiction de spectrométrie de masse de petites molécules : Il s’agit d’un article sur le MassFormer, un modèle de transformateur de graphe pour la prédiction de spectres de masse de petites molécules. Cette recher...
Actuellement, l’étude des propriétés statistiques et géométriques des particules transportées par des écoulements turbulents représente un défi majeur. Malgré les efforts exceptionnels déployés dans les domaines théorique, numérique et expérimental au cours des 30 dernières années, il n’existe toujours pas de modèle capable de reproduire fidèlement...
Cette recherche propose une méthode d’apprentissage en ligne pour construire efficacement des modèles de substitution capables de simuler avec précision des systèmes complexes. Cette méthode comprend principalement trois composantes clés : Une stratégie d’échantillonnage pour générer de nouvelles données d’entraînement et de test ; Une stratégie d’...
Aujourd’hui, les grands modèles de langage (LLM) démontrent des performances de niveau expert dans de multiples domaines, suscitant un vif intérêt pour comprendre leurs processus de raisonnement internes. Comprendre comment les LLM produisent ces résultats étonnants est crucial pour le développement futur des agents d’intelligence artificielle et p...
Introduction : Actuellement, les modèles de langue pré-entraînés (PLM) sont largement utilisés dans le domaine du traitement du langage naturel, mais ils ont le problème d’hériter et d’amplifier les préjugés sociaux présents dans les données d’entraînement. Les préjugés sociaux peuvent entraîner des risques imprévisibles lors de l’application réell...
Un paradigme de moment unifié pour résoudre les problèmes SGD décentralisés sous des modèles non convexes et des environnements de données hétérogènes Introduction Ces dernières années, avec l’émergence de l’Internet des objets et de l’informatique edge, l’apprentissage machine distribué a connu un développement rapide, en particulier le paradigme ...