Environnement et énergie

Partout dans le monde, les populations sont de plus en plus affectées par le changement climatique. Grâce à des partenariats interdisciplinaires réfléchis, l'intelligence artificielle (IA) peut devenir un outil puissant pour réduire les émissions de gaz à effet de serre, tout en aidant la société à s'adapter aux nombreux défis liés au climat auxquels elle sera confrontée dans les décennies à venir.

Une abeille pollinise une fleur jaune.

En ce qui concerne la lutte contre la crise climatique, l'IA peut contribuer à transformer des données brutes en informations utiles, par exemple en utilisant l'imagerie satellitaire pour surveiller automatiquement la biodiversité ou le carbone forestier. L'IA peut également aider à optimiser des systèmes complexes en réduisant l'énergie nécessaire au chauffage et au refroidissement des bâtiments, et en améliorant l'efficacité des réseaux électriques.

De plus, l'IA peut améliorer les prévisions en prédisant la productivité agricole en réponse aux conditions météorologiques extrêmes. Et l'IA peut accélérer l'intégration de la modélisation scientifique et de la découverte, que ce soit dans la modélisation accélérée du climat ou dans la conception de nouveaux matériaux pour les énergies renouvelables. À travers des initiatives de recherche couvrant un large éventail de questions environnementales et énergétiques, les chercheur·euse·s de Mila mettent leur expertise au service de la construction d'un avenir plus durable pour nous tous·tes.

Projets phares

Un papillon de nuit jaune-orange vif se tient sur une feuille.

Surveillance automatisée des insectes (AMI)

AMI aide les scientifiques à étudier les populations d'insectes dans le monde entier, afin d'apporter des réponses aux crises liées au climat et à la biodiversité.

Image générée par l'IA d'une inondation devant le bureau de Mila.

Ce climat n'existe pas

Ce climat n'existe pas est une expérience basée sur l'IA et sur l'empathie, qui permet à ses utilisateurs·rices d'imaginer les impacts environnementaux de la crise climatique actuelle, une adresse à la fois.
 

Photo de David Rolnick.

 L'IA peut aider à lutter contre la crise climatique à de nombreux niveaux, notamment en cartographiant les écosystèmes, en surveillant les changements et en soutenant le développement de matériaux visant à améliorer l'efficacité énergétique.

David Rolnick, professeur adjoint, McGill University, membre académique principal, Mila

Ressources

Tackling Climate Change with Machine Learning
Ce rapport décrit comment l'apprentissage automatique peut contribuer à l'atténuation du changement climatique et l'adaptation à celui-ci.
Climate Change AI (CCAI)
Le CCAI est une organisation qui vise à catalyser les travaux ayant un impact à l'intersection du changement climatique et de l'apprentissage automatique.
Climate Change and AI: Recommendations for Government Action
Rapport du Partenariat mondial sur l'IA (GPAI), publié en collaboration avec Climate Change AI et le Center for AI & Climate.
Aligning Artificial Intelligence with Climate Change Mitigation
Publié dans Nature Climate Change

Dans les médias

Les impacts environnementaux de l’IA seront déterminés par la société : découvrez pourquoi! (espèces-menacées.fr)
L'intelligence artificielle pour lutter contre les changements climatiques
Vue aérienne d'une forêt boréale et d'une rivière en été.

Laboratoires de recherche

Les professeur⋅e⋅s de Mila qui explorent le sujet dans le cadre de leurs recherches.

Corps professoral
Membre académique principal
Portrait de Pierre-Luc Bacon
Professeur adjoint, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre affilié
Portrait de Giovanni Beltrame
Professeur titulaire, Polytechnique Montréal, Département de génie informatique et génie logiciel
Membre académique principal
Portrait de Yoshua Bengio
Professeur titulaire, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Glen Berseth
Professeur agrégé, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre affilié
Portrait de Quentin Cappart
Professeur adjoint, Polytechnique Montréal, Département de génie informatique et génie logiciel
Membre affilié
Portrait de Jeff Cardille
Professeur agrégé, McGill University, Département des sciences des ressources naturelles
Membre académique associé
Portrait de Margarida Carvalho
Professeure adjointe, Université de Montréal, Département d'informatique et de recherche opérationnelle
Membre académique principal
Portrait de Laurent Charlin
Professeur associé, HEC Montréal, Département de sciences de la décision
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Hanane Dagdougui
Professeure agrégée, Polytechnique Montréal, Département de mathématiques et de génie industriel
Membre académique associé
Portrait de Samira Ebrahimi Kahou
Professeure agrégée, École de technologie supérieure (ETS), Département de génie lociciel et des TI
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Christian Gagné
Professeur titulaire, Université Laval, Département de génie électrique et informatique
Chaire en IA Canada-CIFAR
Membre affilié
Portrait de Shin (Alexandre) Koseki
Professeur adjoint, Université de Montréal, École d'urbanisme et d'architecture de paysage
Membre académique associé
Portrait de Étienne Laliberté
Professeur titulaire, Université de Montréal, Département de sciences biologiques
Membre industriel principal
Portrait de Hugo Larochelle
Chercheur scientifique, Google DeepMind
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Antoine Lesage-Landry
Professeur adjoint, Polytechnique Montréal, Département de génie électrique
Membre académique associé
Portrait de Xue (Steve) Liu n'est pas disponible
Professeur titulaire, McGill University, École d'informatique
Membre affilié
Portrait de Tegan Maharaj
Professeure titulaire, University of Toronto
Membre affilié
Portrait de Vladimir Makarenkov
Professeur titulaire, UQAM, Département d'informatique
Membre académique associé
Portrait de David Meger
Professeur adjoint, McGill University, École d'informatique
Membre académique principal
Portrait de Chris Pal
Professeur titulaire, Polytechnique Montréal, Département de génie informatique et de génie logiciel
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Reihaneh Rabbany
Professeure adjointe, McGill University, École d'informatique
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Siamak Ravanbakhsh
Professeur adjoint, McGill University, École d'informatique
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Mirco Ravanelli
Professeur adjoint, Concordia University, École de génie et d'informatique Gina-Cody
Membre académique principal
Portrait de David Rolnick
Professeur adjoint, McGill University, École d'informatique
Chaire en IA Canada-CIFAR

Vidéo à la une

David Rolnick présente le projet de surveillance automatisée des insectes (AMI) depuis la forêt tropicale du Panama.

Publications

Applying Recurrent Neural Networks and Blocked Cross-Validation to Model Conventional Drinking Water Treatment Processes
Aleksandar Jakovljevic
Benoit Barbeau
The jar test is the current standard method for predicting the performance of a conventional drinking water treatment (DWT) process and opti… (voir plus)mizing the coagulant dose. This test is time-consuming and requires human intervention, meaning it is infeasible for making continuous process predictions. As a potential alternative, we developed a machine learning (ML) model from historical DWT plant data that can operate continuously using real-time sensor data without human intervention for predicting clarified water turbidity 15 min in advance. We evaluated three types of models: multilayer perceptron (MLP), the long short-term memory (LSTM) recurrent neural network (RNN), and the gated recurrent unit (GRU) RNN. We also employed two training methodologies: the commonly used holdout method and the theoretically correct blocked cross-validation (BCV) method. We found that the RNN with GRU was the best model type overall and achieved a mean absolute error on an independent production set of as low as 0.044 NTU. We further found that models trained using BCV typically achieve errors equal to or lower than their counterparts trained using holdout. These results suggest that RNNs trained using BCV are superior for the development of ML models for DWT processes compared to those reported in earlier literature.
Application-Driven Innovation in Machine Learning
Alán Aspuru-Guzik
Sara Beery
Bistra N. Dilkina
Priya L. Donti
Marzyeh Ghassemi
Hannah Kerner
Claire Monteleoni
Esther Rolf
Milind Tambe
Adam White
As applications of machine learning proliferate, innovative algorithms inspired by specific real-world challenges have become increasingly i… (voir plus)mportant. Such work offers the potential for significant impact not merely in domains of application but also in machine learning itself. In this paper, we describe the paradigm of application-driven research in machine learning, contrasting it with the more standard paradigm of methods-driven research. We illustrate the benefits of application-driven machine learning and how this approach can productively synergize with methods-driven work. Despite these benefits, we find that reviewing, hiring, and teaching practices in machine learning often hold back application-driven innovation. We outline how these processes may be improved.