Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Institut national de physique nucléaire et de physique des particules
- Utilise de l'intelligence artificielle
- Nptool est un framework open source dédié à l'analyse de données et à la simulation Monte Carlo pour les expériences de physique nucléaire à basse énergie. Il permet de modéliser des détecteurs, simuler des réactions nucléaires, et analyser les données expérimentales ou simulées. Le projet intègre des outils pour la calibration, la reconstruction d'événements et la visualisation des résultats.
- École d'été dédiée à la formation en astronomie et en intelligence artificielle. Elle propose des cours théoriques et pratiques sur l'analyse de données astronomiques, l'apprentissage automatique, le deep learning et les bonnes pratiques MLOps. Destinée aux étudiants et chercheurs, elle vise à renforcer les compétences en traitement des données et en modélisation pour l'astronomie.
- GammaLearn est un projet collaboratif dédié à l'application de l'apprentissage profond pour l'analyse des données issues des télescopes Cherenkov atmosphériques, comme ceux du réseau CTA. Il fournit un cadre logiciel permettant d'entraîner et d'appliquer des modèles à partir d'un simple fichier de configuration, facilitant ainsi la recherche en astrophysique des hautes énergies.
- Stereograph est un projet open source dédié à la reconstruction d'événements stéréoscopiques pour l'observatoire CTAO (Cherenkov Telescope Array Observatory). Il utilise des réseaux de neurones graphiques (GNN) pour combiner et analyser les données issues de multiples télescopes, améliorant ainsi la précision des mesures astrophysiques. Le projet fournit un cadre complet pour entraîner des modèles, effectuer des inférences et générer des fonctions de réponse instrumentale (IRF) à partir de fichiers de configuration. Il est conçu pour être flexible et adaptable à différentes versions de données et environnements.
- Ce projet développe des méthodes d'adaptation de domaine non supervisée pour analyser des images issues de télescopes à imagerie Tcherenkov atmosphérique, comme le LST-1 du CTAO. L'objectif est d'améliorer la reconstruction d'événements (particules gamma, énergie, direction) en compensant les écarts entre simulations et données réelles, notamment face à des décalages de bruit et de distribution des étiquettes. Les résultats sont publiés sous forme de métriques et de figures comparatives, avec une application concrète pour l'astronomie gamma.
- Ce projet propose une formation intensive en machine learning destinée aux chercheurs et professionnels. Il inclut des exercices pratiques pour créer et entraîner des modèles d'intelligence artificielle. L'environnement Python est préconfiguré pour faciliter l'apprentissage. Les participants découvrent les bonnes pratiques en matière de développement et d'optimisation de modèles.
- Ce projet propose des ateliers pratiques et des notebooks interactifs pour explorer les techniques d'apprentissage profond. Il couvre des cas concrets comme la détection de fraudes bancaires, la reconnaissance de signes en langue des signes ou l'analyse d'images médicales pour le diagnostic du paludisme. Les ressources sont conçues pour des formations ou des auto-apprentissages en science des données et intelligence artificielle.
- Atelier pédagogique dédié à l'apprentissage automatique et à l'analyse de données avec Python. Il propose des travaux pratiques pour maîtriser les bibliothèques pandas et scikit-learn, destinées à la manipulation de données et à la construction de modèles prédictifs. Les participants découvrent les bonnes pratiques pour traiter des jeux de données et appliquer des algorithmes d'intelligence artificielle dans un cadre académique ou professionnel.
- Ce projet fournit des outils et données pour simuler des profils électroniques dans des cibles gazeuses à deux chambres, en combinant des simulations CFD (Computational Fluid Dynamics) et des simulations Particle-in-Cell (PIC). Il permet de générer des profils de densité électronique pour l'hélium et l'azote, d'optimiser des paramètres laser via une approche bayésienne, et de post-traiter les résultats pour analyser les performances des injecteurs plasma. Les données et scripts sont conçus pour des études scientifiques dans le domaine de la physique des plasmas.
- Ce projet développe un modèle de deep learning basé sur une architecture U-Net en cascade pour segmenter des images médicales, notamment des vaisseaux sanguins. Il utilise une fonction de perte clDice pour améliorer la précision de l'extraction des structures vasculaires. L'objectif est d'améliorer les outils d'analyse d'images biomédicales pour des applications cliniques ou de recherche.
47 initiatives
10