Apprentissage profond

Grâce à un pipeline d’apprentissage profond, des scientifiques de l’EPFL ont élaboré des analogues solubles de certaines structures protéiques utilisées dans le développement pharmaceutique. Cette avancée pourrait permettre de contourner le coût prohibitif de l’extraction de ces protéines des membranes cellulaires. 

Des chercheuses et chercheurs de l’EPFL ont mis au point une méthode sans marquage reposant sur l’IA pour étudier les agrégats de protéines. Cette technologie ouvre de nouvelles perspectives de recherche sur les maladies neurodégénératives.

Des scientifiques de l’EPFL ont mis au point un algorithme capable d’entraîner un réseau neuronal analogique avec une précision équivalente à celle d’un réseau numérique. Ceci ouvre la voie au développement de matériel informatique dédié à l’apprentissage profond moins énergivore.

Une équipe de scientifiques de l’EPFL a mis au point un modèle IA, baptisé PeSTo, pour prédire avec un haut degré de confiance les interfaces de liaison de protéines es protéines avec les protéines, les acides nucléiques, les lipides, les ions et de petites molécules. Son faible coût de calcul permet le traitement d’importantes quantités de données structurelles, ouvrant la voie à des découvertes biologiques inédites.

En combinant pour la première fois la tomographie électronique à transmission cryogénique et l’apprentissage profond, des scientifiques de l’EPFL ont fourni une première image de la nanostructure des couches catalytiques en platine. Cette découverte met en évidence la manière dont ces couches pourraient être optimisées pour obtenir des piles à combustible plus efficaces.

Les technologies numériques, comme l’intelligence artificielle, permettent d’accéder à de vastes banques de données et à de nouvelles connaissances dans la recherche environnementale. Le WSL utilise très largement ces possibilités, notamment dans l’étude de la neige et des avalanches afin d’obtenir des prévisions plus précises sur les zones de danger.