R&D Machine Learning

Machine Learning – COMPSTAT project

L'apprentissage automatique est un domaine de recherche à la frontière de l'informatique, des statistiques et des sciences du domaine qui est devenu omniprésent en physique depuis 2015 environ. Les techniques ML exploitent les informations des données pour apprendre des modèles complexes et effectuer des inférences pilotées par les données ou réduire la dimensionnalité des données pour faciliter leur exploration et la découverte de corrélations imprévues.

À l'IN2P3, en particulier, nous avons une longue expérience du travail avec des ensembles de données hétérogènes et en constante augmentation. Cela permet des applications parfaites des algorithmes ML pour augmenter la vitesse des simulations, effectuer des régressions ou des classifications à haute dimension, détecter des anomalies dans les données, etc.

Mais le domaine de l'apprentissage automatique se développe également rapidement, ce qui rend difficile de suivre les derniers développements pour la grande variété d'applications dans nos laboratoires. C'est pourquoi le projet de master Machine Learning à l'IN2P3 vise à construire et à permettre à une communauté ML à l'IN2P3 d'échanger sur les derniers développements et les applications pour
  • cosmologie
  • physique des particules et physique nucléaire
  • physique des accelérateurs

Objectifs

Les principaux objectifs de ce projet sont
  1. Favoriser la collaboration entre les laboratoires de l'IN2P3 et les expériences sur les activités de ML
  2. Partager les connaissances de pointe entre les membres du projet et les diffuser au sein de l'IN2P3
  3. Encourager les physiciens à participer aux conférences ML
  4. Documenter les projets ML en cours et les tutoriels ML liés à HEP.
En tant que tel, nous organisons un atelier annuel, encourageons la publication des applications développées et contribuons à envoyer des chercheurs, des ingénieurs et des étudiants aux conférences ML.


Plus d'informations sont disponibles sur le site web du projet  : https://machine-learning.in2p3.fr.

Coordinateurs nationaux

  • David Rousseau (IJCLab) – scientific lead
  • Alexandre Boucaud (APC) – technical lead

Activitiés à APC

Les activités de ML à APC sont coordonnées par les professeurs Yvonne Becherini et Alexandre Boucaud.

Les applications englobent la diversité de la physique soutenue par APC, avec des projets en physique des particules sur ATLAS, en physique des neutrinos sur KM3NeT et Dune, en physique des rayons gamma sur HESS et CoMET/ALTO, en physique des ondes gravitationnelles sur LIGO/Virgo, en physique du CMB sur QUBIC et en cosmologie sur Euclid et Rubin/LSST.

Project website: https://machine-learning.in2p3.fr