Séminaire

C'est au contact de la physique théorique, de la cosmologie observationnelle et de l'information quantique que j'ai développé mes compétences qui m'ont permis de travailler efficacement comme ingénieur de recherche aussi bien dans le monde académique que, plus récemment, dans l'industrie. Ayant introduit l'apprentissage automatique (ML) en cosmologie observationnelle en 2000, j'ai acquis une solide connaissance en ML ⋂ Modélisation Mathématique ⋂ Statistical Learning que je n'ai cessé d'approfondir par la suite, le tout renforcé par l'enseignement des méthodes numériques et mathématiques pendant 10 ans à Chimie-ParisTech.

Au CNRS, j'ai notamment dirigé la plateforme de résonance paramagnétique électronique (EPR) de l'Institut de Recherche de Chimie Paris, et introduit l'approche Chebfun: j'ai développé un pipeline algorithmique de tomographie Tricomi Chebfun, améliorant significativement la vitesse et la résolution. C'est d'ailleurs dans ce cadre que j'ai également conçu et monté mon propre cluster GPU en 2011, grâce à un financement ANR.

Je suis à jour avec beaucoup des dernières avancées en ML, ayant travaillé sur fast.ai et le portage de code PyTorch vers JAX dans l'industrie, et me concentre en ce moment sur le tout nouveau langage Mojo qui s'appuie sur MLIR, notamment pour développer une librairie qui couple les MCMC avec le modèle FF de G. Hinton. Mon expérience en physique, informatique et ML me permet d'aborder des problèmes complexes à l'intersection de ces domaines, avec par exemple le développement récent de modèles statistiques qui ont fait leurs preuves dans l'industrie. Ce que j'aime, c'est résoudre des problèmes scientifiques en couplant les méthodes computationnelles avec "l'efficacité déraisonnable des mathématiques".

Durant cette présentation, je souhaite illustrer mon parcours et mes réalisations.