Non classé
Un nouvel algorithme optimise l’apprentissage automatique avec des structures de données symétriques.
Une nouvelle étude du MIT aborde la question de l’apprentissage automatique en tenant compte de la symétrie des données, essentielle pour des domaines comme la chimie et la physique.
Les chercheurs ont mis au point une méthode innovante garantissant que les modèles d’apprentissage prennent en compte cette symétrie, évitant ainsi des prévisions erronées sur des propriétés moléculaires.
En combinant des concepts d’algèbre et de géométrie, ils ont conçu un algorithme capable d’apprendre efficacement des données symétriques, nécessitant moins d’échantillons pour une formation précise.
Cette avancée pourrait révolutionner la manière dont les chercheurs développent des modèles, rendant ces derniers plus robustes et moins gourmands en ressources, et offrant ainsi de nouvelles voies pour des applications variées, allant de la découverte de matériaux à l’analyse de données climatiques.