L'IA pour la science

L'une des perspectives les plus prometteuses des algorithmes d'apprentissage automatique est leur capacité à rassembler et à analyser rapidement de grandes quantités de données. L'intelligence artificielle (IA) peut contribuer à repousser les limites de la recherche scientifique grâce à sa capacité à évaluer des décennies de données.

Un chercheur ajoute des gouttes de liquide dans un tube à essai à l'aide d'une micropipette.

Des domaines scientifiques tels que la biologie, la génomique, la chimie, la climatologie et la physique ont tous accumulé des quantités de données si importantes qu'il faudrait plusieurs vies humaines pour les lire et les assimiler.

Grâce à l'apprentissage automatique, les scientifiques peuvent désormais relever des défis complexes et multidisciplinaires en accélérant l'analyse des données, en découvrant de nouvelles connexions, en simulant et en proposant des expériences, et en élaborant de nouvelles théories.

Projets phares

Matériel de laboratoire dans un laboratoire scientifique.

Améliorer la microscopie à super-résolution grâce à l'IA

Ce projet vise à développer des approches de microscopie SRM assistées par l'IA afin d'améliorer ses performances dans les cellules et les tissus vivants, de diversifier les applications de la microscopie SRM dans les neurosciences, et plus. 

Photo de Yoshua Bengio.

L'IA est une technologie polyvalente qui peut nous aider à dépasser les goulets d'étranglement et à accélérer la recherche dans de nombreux domaines scientifiques afin d'aider l'humanité à relever les défis les plus urgents.

Yoshua Bengio, professeur titulaire, Université de Montréal, fondateur et directeur scientifique, Mila

Ressources

Programme de financement de recherche stratégique d'IVADO
Ce programme-cadre de recherche a été mis en place afin de répondre à des défis scientifiques importants en intelligence numérique.

Laboratoires de recherche

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

Corps professoral
Membre académique associé
Portrait de Ian Arawjo
Professeur adjoint, Université de Montréal, Département d'informatique et de recherche opérationnelle
Membre académique associé
Portrait de Narges Armanfard
Professeure adjointe, McGill University, Département de génie électrique et informatique
Membre académique associé
Portrait de Shahab Bakhtiari
Professeur adjoint, Université de Montréal, Département de psychologie
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 académique associé
Portrait de Marco Bonizzato
Professeur adjoint, Polytechnique Montréal, Département de génie électrique
Membre industriel principal
Portrait de Pablo Samuel Castro
Concepteur de logiciels de recherche, Google
Membre académique principal
Portrait de Sarath Chandar Anbil Parthipan
Professeur adjoint, Polytechnique Montréal, Département d'informatique et de génie logiciel
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Ian Charest n'est pas disponible
Professeur adjoint, Université de Montréal, Département de psychologie
Membre affilié
Portrait de Jun Ding
Professeur adjoint, McGill University, Département de médecine
Membre industriel associé
Portrait de Alexandre Drouin
Chercheur scientifique, ServiceNow
Membre académique associé
Portrait de Audrey Durand
Professeure adjointe, Université Laval, Département d'informatique et de génie logiciel
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Amin Emad
Professeur agrégé, McGill University, Département de génie électrique et informatique
Membre académique associé
Portrait de Paul François
Professeur titulaire, Université de Montréal, Département de biochimie et de médecine moléculaire
Membre industriel principal
Portrait de Marc Gendron-Bellemare n'est pas disponible
Directeur scientifique, Reliant AI
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Gauthier Gidel
Professeur adjoint, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Jin Guo
Professeur adjoint, McGill University, École d'informatique
Membre académique associé
Portrait de Yashar Hezaveh
Professeur adjoint, Université de Montréal, Département de physique
Membre académique associé
Portrait de Karim Jerbi
Professeur agrégé, Université de Montréal, Département de psychologie
Membre académique associé
Portrait de Eric Kolaczyk
Professeur, McGill University, Département de mathématiques et statistiques
Membre académique principal
Portrait de Simon Lacoste-Julien
Directeur scientifique adjoint, Mila, Professeur agrégé, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Sébastien Lemieux
Professeur associé, Université de Montréal, Département d'informatique et de recherche opérationnelle et Département de biochimie et de médecine moléculaire
Membre académique associé
Portrait de Bang Liu
Professeur agrégé, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
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 académique principal
Portrait de Chengzhi Mao
Professeur adjoint, McGill University, Département de génie électrique et informatique
Membre académique associé
Portrait de Eilif Benjamin Muller
Professeur adjoint, Université de Montréal, Département de neurosciences
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Derek Nowrouzezahrai
Professeur agrégé, McGill University, Département de génie électrique et informatique
Chaire en IA Canada-CIFAR
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 Doina Precup
Professeure agrégée, McGill University, École d'informatique
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 Guillaume Rabusseau
Professeur adjoint, Université de Montréal, Département d'informatique et de recherche opérationnelle
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 principal
Portrait de Blake Richards
Professeur adjoint, McGill University, École d'informatique et Département de neurologie et de neurochirurgie
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de Irina Rish
Professeure titulaire, Université de Montréal, Département d'informatique et de recherche opérationnelle
Chaire en IA Canada-CIFAR
Membre académique principal
Portrait de David Rolnick
Professeur adjoint, McGill University, École d'informatique
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Kaleem Siddiqi
Professeur, McGill University, École d'informatique
Membre académique principal
Portrait de Guy Wolf
Professeur agrégé, Université de Montréal, Département de mathématiques et statistiques
Chaire en IA Canada-CIFAR
Membre académique associé
Portrait de Archer Yang
Professeur agréré, McGill University, Département de mathématiques et statistiques

Publications

Scientific discovery in the age of artificial intelligence
Hanchen Wang
Tianfan Fu
Yuanqi Du
Wenhao Gao
Kexin Huang
Ziming Liu
Payal Chandak
Shengchao Liu
Peter Van Katwyk
Andreea Deac
Animashree Anandkumar
K. Bergen
Carla P. Gomes
Shirley Ho
Pushmeet Kohli
Joan Lasenby
Jure Leskovec
Tie-Yan Liu
A. Manrai
Debora Susan Marks … (voir 10 de plus)
Bharath Ramsundar
Le Song
Jimeng Sun
Petar Veličković
Max Welling
Linfeng Zhang
Connor Wilson. Coley
Marinka Žitnik
Neural Causal Structure Discovery from Interventions
Nan Rosemary Ke
Olexa Bilaniuk
Anirudh Goyal
Stefan Bauer
Bernhard Schölkopf
Michael Curtis Mozer
Recent promising results have generated a surge of interest in continuous optimization methods for causal discovery from observational data.… (voir plus) However, there are theoretical limitations on the identifiability of underlying structures obtained solely from observational data. Interventional data, on the other hand, provides richer information about the underlying data-generating process. Nevertheless, extending and applying methods designed for observational data to include interventions is a challenging problem. To address this issue, we propose a general framework based on neural networks to develop models that incorporate both observational and interventional data. Notably, our method can handle the challenging and realistic scenario where the identity of the intervened upon variable is unknown. We evaluate our proposed approach in the context of graph recovery, both de novo and from a partially-known edge set. Our method achieves strong benchmark results on various structure learning tasks, including structure recovery of synthetic graphs as well as standard graphs from the Bayesian Network Repository.
Multi-XScience: A Large-scale Dataset for Extreme Multi-document Summarization of Scientific Articles
Yao Lu
Yue Dong
Multi-document summarization is a challenging task for which there exists little large-scale datasets. We propose Multi-XScience, a large-sc… (voir plus)ale multi-document summarization dataset created from scientific articles. Multi-XScience introduces a challenging multi-document summarization task: writing the related-work section of a paper based on its abstract and the articles it references. Our work is inspired by extreme summarization, a dataset construction protocol that favours abstractive modeling approaches. Descriptive statistics and empirical results—using several state-of-the-art models trained on the Multi-XScience dataset—reveal that Multi-XScience is well suited for abstractive models.