Arthur Klipfel - Univ Artois

La recherche et développement est un processus particulièrement long et coûteux en science des matériaux. Pour pouvoir l’accélérer, le machine learning est déjà très utilisé pour des tâches de modélisation et de génération. Cependant, même si les techniques utilisant des réseaux de neurones profonds ont déjà fait la preuve de leurs capacités pour les problèmes de classifications en chimie, peu de modèles génératifs convaincants existent. Mais quelles sont les contraintes spécifiques de la génération de matériaux? Comment représenter ces matériaux? Quelles sont les problématiques de recherche actuelles ? Le but de la présentation sera d’explorer les solutions basées sur les Graph Neural Network, de la justification de ce choix d’architecture aux possibilités qu’ils offrent en passant par les résultats déjà connus.