L'apprentissage par renforcement fait l'objet d'études étendues dans le domaine des jeux et a trouvé des applications importantes dans les secteurs de la finance, de la conduite autonome et de la robotique commerciale. Ce projet vise à étudier la possibilité d'utiliser l'apprentissage par renforcement pour automatiser certains aspects de la chimie physique grâce à la « ludification » afin de découvrir de nouvelles manières de créer des matériaux dotés de propriétés particulières. Le CNRC et l'Université de Waterloo collaborent à ce projet. Le CNRC offre son expertise en chimie physique et l'Université de Waterloo son expertise en IA et en apprentissage automatique.
Équipe
Mark Crowley, Ph. D.
M. Mark Crowley est professeur adjoint au sein du groupe d'étude de la reconnaissance des motifs et de l'intelligence artificielle du département de génie électrique et de génie informatique de l'Université de Waterloo. Les travaux de recherche de M. Crowley sont axés sur les algorithmes, les outils et les théories liées à la fois à l'apprentissage automatique, l'optimisation et la modélisation probabiliste.
Pour en savoir plus, consultez la page sur M. Crowley (en anglais seulement).
Colin Bellinger, Ph. D.
Colin Bellinger est agent de recherches au Conseil national de recherches du Canada (CNRC) et professeur auxiliaire à la faculté d’informatique de l’Université Dalhousie. Ses recherches se penchent sur des problèmes réels dans les domaines de la santé, de la science, de la sécurité et de l’industrie afin de comprendre comment l’apprentissage automatique et les algorithmes d’extraction de données sont touchés par des domaines de données défavorables et limités. Les recherches actuelles de M. Bellinger sont axées sur le développement d’algorithmes d’apprentissage supervisés et d’algorithmes d’apprentissage renforcé pour certaines applications, comme la conception de matériaux, où les échantillons sont limités et coûteux.
Pour en savoir plus, consultez la page sur Colin Bellinger (en anglais seulement).