Deep learning driven model discovery in biology and physics

Conférence de Remy Kusters, chercheur au Centre de recherche interdisciplinaire (CRI) dans le cadre du cycle "Sciences in Context" organisé par le CRI et l’Institut d’études avancées de Paris.

Présentation

Sciences in Context est un cycle de conférences publiques, organisé par Muriel Mambrini et Pascal Kolbe, en collaboration avec l'Institut d'études avancées de Paris, visant à amener les concepts et les perspectives des SHS à la communauté du CRI.
Les sujets de la conférence seront discutés lors d'une séance publique du Practical Philosophy Club le vendredi avant chaque conférence, afin de favoriser les échanges avec le conférencier invité.

Sujet de la conférence

As scientific data sets become richer and increasingly complex, machine learning (ML) tools become more useful and widely applied. Discovering a mechanistic model, rather than predicting the outcome is paramount in the scientific endeavor and its lack in present day ML is limiting further integration of ML in quantitative science. In this talk I will present our development of quantitative tools to extract human interpretable models from quantitative biological and physical data sets. The work combines the predictive power of neural networks with the interpretability of symbolic regression to develop a framework of interpretable AI and discover mechanistic models from biological and physical data.