Guide de bonnes pratiques pour le « machine learning » en chimie
Une récente publication parue dans Nature Chemistry dresse un guide de bonnes pratiques pour le « marchine learning » en chimie. L’équipe Chimie organométallique et catalyse de polymérisation (COCP) de l’IRCP a contribué à sa réalisation.
Des modèles théoriques pour interpréter. Le développement de la chimie au cours des siècles a largement reposé sur l’utilisation de nombreux modèles théoriques pour interpréter les données obtenues expérimentalement. Ces modèles se présentent généralement sous la forme d’équations, établies en se basant sur certaines hypothèses, et restent valable au fil des décennies. Au-delà des limites où des équations simples sont applicables, la modélisation et l’analyse statistiques deviennent des outils de recherche précieux en chimie. Elles offrent la possibilité de découvrir des tendances nouvelles qui avaient jusqu’à présent échappé à l’intuition, et d’explorer de larges bases de données pour identifier des matériaux prometteurs par intelligence artificielle.
Au guide des bonnes pratique du « machine learning ». Une large collaboration internationale à laquelle l’équipe COCP (Chimie organométallique et catalyse de polymérisation) du laboratoire IRCP, de Chimie ParisTech – PSL/CNRS a participé, a récemment mené une réflexion de fond sur les bonnes pratiques de ces méthodes qui deviennent très utilisées. Publiée dans Nature Chemistry, elle vise à garantir que les modèles développés par apprentissage statistique (ou “machine learning”) soient robustes et reproductibles. Au-delà de considérations générales, les auteurs ont développé une véritable “checklist” pour aider à la rédaction et guider l’évaluation critique des méthodes de « machine learning » en chimie.
