Lois dimensionnelles, distributions des données et dynamiques d’apprentissage : les données simulées en physique des hautes énergies comme référence pour évaluer les données en conditions réelles

La recherche théorique actuelle en IA repose souvent sur une modélisation simpliste des données, ce qui complique l’examen de questions fondamentales liées aux lois dimensionnelles ou à la capacité des modèles d’apprendre réellement les paramètres latents sous-jacents. Grâce à une méthode de génération de données fondée sur la physique, le professeur à l’Université de Toronto Yonatan Kahn souhaite fournir des données de référence absolues (ground truth) aux chercheurs et chercheuses. Ceux-ci pourront ainsi prédire et tester certains mécanismes fondamentaux qui régissent l’apprentissage, la généralisation et l’évolution de l’IA.