Les défis intrinsèques à la découverte de molécules/matériaux stimulent l’avancement des connaissances en IA.
Vision
Explorer et exploiter les espaces de design de molécules et de matériaux en termes de synthèse, de procédés et de caractérisation, nécessite l’accès à des données multimodales de qualité en grande quantité, ce qui constitue un goulot d’étranglement. L’utilisation d’une IA robuste est donc essentielle, tout comme l’intégration des aspects de la méthode scientifique, où l’IA se comporte comme un expert pour être raisonnante pour développer des protocoles prédictifs informés par les connaissances actuelles. Le concept de responsabilité s’applique dans le contexte où les modèles doivent s’aligner avec les valeurs liées au développement des molécules et aux matériaux, comme l’écoresponsabilité. Ce regroupement (R6) met de l’avant la réciprocité des échanges entre les experts IA et en sciences des matériaux, comme illustré ci-dessous.
Objectifs
Les principaux objectifs permettront de faire progresser les méthodes en IA, qui sont actuellement confrontés à certains défis lorsqu’elles sont mises en pratique dans le contexte des molécules et des matériaux.
- Apprendre des représentations riches en s’appuyant sur les connaissances physico-chimiques existantes pour prédire avec précision les propriétés, les activités et la dynamique des molécules/matériaux.
- Apprentissage de représentations (apprentissage profond)
- Quantification de l’incertitude
- Permettre une recherche efficace dans des espaces vastes et structurés
- Apprentissage actif
- Modèles génératifs (ex : GFlowNets)
- Accélérer les expériences en apprenant par le biais d’interactions
- Apprentissage par renforcement/Bandits
- Optimisation (bayésienne)
Défis
Pour atteindre les objectifs ci-dessus, et répondre à la problématique identifiée en lien avec les données dans le domaine des molécules et des matériaux, il est proposé de mettre en place un processus dans lequel différents outils transversaux aux thématiques et aux projets explorés sont développés.
Le but de ces outils transversaux est de fédérer une communauté autour du développement d’outils communs, utiles aux projets à l’interface de l’IA, des molécules et des matériaux, par opposition à un développement qui se fait en silo. Les outils transversaux proposés sont les suivants :
- Identifier des descripteurs appropriés
- Génération de candidats
- Accélération des expériences
Impact anticipé
Le maillage de l’expertise en IA et en molécules et en matériaux permettra de développer des outils transversaux communs qui auront un effet structurant au niveau de la communauté, en permettant de faire le pont entre des secteurs d’excellence de l’Université de Montréal, soit celui de l’Intelligence numérique, artificielle et humaine, celui de la Bioinnovation et santé numérique et celui des Matériaux et procédés de demain. Le R6 contribuera aussi à former une relève qui sera familière avec les concepts se situant à l’intersection de l’IA, des molécules et des matériaux, pouvant agir comme des traducteurs et traductrices entre ces domaines pour y contribuer de manière cohérente. L’arrimage des activités avec les initiatives existantes (PandemicStop-AI et l’Institut Courtois) permettront de maximiser l’effet levier de IAR3).
Équipe de recherche
Coresponsables
Université de Montréal
Université de Montréal
Université Laval
Université de Montréal
Université de Montréal
Chercheuses et chercheurs
- Dominique Beaini – Université de Montréal – Valence Discovery
- Yoshua Bengio – Université de Montréal
- Glen Berseth – Université de Montréal
- Andrea Bianchi – Université de Montréal
- Mathieu Blanchette – Université McGill
- Sarath Chandar – Polytechnique Montréal
- Jacques Corbeil – Université Laval
- Mickael Dollé – Université de Montréal
- Benjamin Haley – Université de Montréal
- Alex Hernandez-Garcia – Université de Montréal
- Marc-André Legault – Université de Montréal
- Sébastien Lemieux – Université de Montréal
- Cristina Longo – Université de Montréal
- Anne Marinier – Université de Montréal
- Kirill Neklyudov – Université de Montréal
- Liam Paull – Université de Montréal
- Doina Precup – Université McGill
- Siamak Ravanbakhsh – Université McGill
- Lena Simine – Université McGill
- Jian Tang – HEC Montréal
- Teodor Veres – NRC
Conseillère de recherche
Jacqueline Sanchez : jacqueline.sanchez@ivado.ca