Unité

Laboratoire de physique des systèmes complexes

Laboratoire
Résumé

Le Laboratoire de physique des systèmes complexes de l'EPFL se concentre sur l'étude de systèmes complexes tels que les matériaux amorphes, les systèmes dynamiques en biologie et la matière amorphe vivante. Ils développent des outils en mécanique statistique et en systèmes dynamiques pour répondre aux questions conceptuelles et pratiques liées aux situations non-équilibre. Le laboratoire explore le comportement de matériaux comme les matériaux vitreux, les flux granulaires et les matériaux vivants, visant à comprendre des phénomènes comme la mémoire dans des systèmes complexes, les transitions de brouillage et les principes mécaniques dans les protéines. De plus, ils mènent des recherches sur l'apprentissage profond, explorant des sujets comme les effets du bruit dans les réseaux neuronaux, la perte d'information spatiale et la généralisation dans les modèles d'apprentissage profond.

Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Publications associées (32)

Random matrix methods for high-dimensional machine learning models

Antoine Philippe Michel Bodin

In the rapidly evolving landscape of machine learning research, neural networks stand out with their ever-expanding number of parameters and reliance on increasingly large datasets. The financial cost and computational resources required for the training p ...
EPFL2024

Breaking the Curse of Dimensionality in Deep Neural Networks by Learning Invariant Representations

Leonardo Petrini

Artificial intelligence, particularly the subfield of machine learning, has seen a paradigm shift towards data-driven models that learn from and adapt to data. This has resulted in unprecedented advancements in various domains such as natural language proc ...
EPFL2023

Deep Learning Generalization with Limited and Noisy Labels

Mahsa Forouzesh

Deep neural networks have become ubiquitous in today's technological landscape, finding their way in a vast array of applications. Deep supervised learning, which relies on large labeled datasets, has been particularly successful in areas such as image cla ...
EPFL2023
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.