Mila a pour mission d’être un pôle mondial d’avancées scientifiques qui inspire l’innovation et l’essor de l’IA au bénéfice de tous·tes. Dans le cadre de cette mission, Mila reconnaît l’énorme potentiel de l’IA et s’engage à rendre la recherche plus ouverte, interdisciplinaire et accessible.
Explorez certaines des réalisations les plus marquantes en matière de logiciels à code source libre menés ou co-développés par des chercheur·e·s de Mila au cours des dernières années.
Theano, l'un des premiers cadres de programmation pour l'apprentissage profond, a été conçu par une équipe de recherche issue de Mila et de l'Université de Montréal. Il s’agit d’une bibliothèque logicielle Python et d’un compilateur d'optimisation permettant de manipuler et d'évaluer des expressions mathématiques. Le développement de Theano s'est achevé en 2017.
Myia (qui fait suite à Theano) est un langage de programmation différentiable capable de prendre en charge des calculs de haute performance à grande échelle (par exemple, l'algèbre linéaire) et leurs gradients.
Le gymnase Minimalistic Gridworld Environment (MiniGrid) est maintenu par la Fondation Farama.
BabyAI est un banc d’essai conçu pour entraîner des agents à comprendre et à exécuter des commandes linguistiques.
SpeechBrain est une boîte à outils de traitement de la parole tout-en-un en code source libre, à la fois simple, flexible, conviviale et bien documentée, conçue pour faciliter la recherche-développement de technologies de traitement neuronal de la parole.
DEAP est un cadre de calcul innovant qui aide à prototyper et à tester des idées par une itération rapide, ayant pour but de rendre les algorithmes explicites et les structures de données transparentes.
TorchDrug est une plateforme d’apprentissage automatique à code source libre pour la découverte de médicaments qui couvre un large éventail de techniques, telles que l’apprentissage automatique basé sur des graphes, les modèles génératifs profonds et l’apprentissage par renforcement.
Accessible à partir de TorchDrug, TorchProtein est une bibliothèque d'apprentissage automatique pour la science des protéines, fournissant des modèles d'apprentissage de représentation à la fois pour les séquences et les structures de protéines, ainsi que pour certaines tâches fondamentales, telles que la prédiction de la fonction et de la structure.
Le fruit d’une collaboration entre Mila et IBM, Oríon est une bibliothèque numérique destinée à l’optimisation des fonctions boîte noire qui est axée sur la convivialité et la facilité d’intégration pour les utilisateurs·rices.
Ivadomed est un cadre intégré pour l'analyse d'images médicales au moyen de l'apprentissage profond basé sur PyTorch.
Un cadre de recherche pour le prototypage rapide d'algorithmes d'apprentissage par renforcement. Dopamine a notamment été développé par le professeur Marc G. Bellemare et ses collègues chez Google.
ALE est un repère d'apprentissage par renforcement et un cadre permettant aux chercheur·e·s de développer des agents d'IA pour les jeux Atari 2600. ALE continue à être maintenu par des chercheur·e·s de Mila.
L’étudiant au doctorat Scott Fujimoto, qui est supervisé par Doina Precup et David Meger, détient le code source libre de TD3, une méthode d'apprentissage par renforcement profond parmi les plus performantes à ce jour.
Le cadre AxonDeepSeg est un logiciel de segmentation des données de microscopie des fibres nerveuses basé sur un réseau neuronal convolutif.
MilaBench est un référentiel de bancs d'essai.
Ptera permet d'instrumenter du code depuis l'extérieur en spécifiant un ensemble de variables à surveiller dans un graphe d'appel Python arbitraire et en manipulant un flux de leurs valeurs.
Un cadre logiciel qui permet de fédérer la recherche sur l'apprentissage continu
Paperoni permet aux utilisateurs·rices de rechercher des articles scientifiques à partir de la ligne de commande.
Jurigged permet de mettre à jour du code en cours d'exécution.
Représentation HTML des objets Python.
Academic Torrents est une plateforme évolutive fondée sur BitTorrent qui répartit le coût de l'hébergement des données afin d'éviter la montée et la chute des fournisseurs d'hébergement de données et l'effacement des données.
Chester est un prototype de système gratuit et accessible qui a été conçu pour les professionnels de la santé afin de mieux saisir le potentiel des outils d'apprentissage profond dans l’analyse des radiographies pulmonaires.