BEGIN:VCALENDAR
VERSION:2.0
PRODID:https://murmitoyen.com/events/vanille/udem/
X-WR-TIMEZONE:America/Montreal
BEGIN:VEVENT
UID:69dde868ba8d7
DTSTAMP:20260414T031032
DTSTART:20150831T113000
SEQUENCE:0
TRANSP:OPAQUE
DTEND:20150831T123000
URL:https://murmitoyen.com/events/vanille/udem/detail/623343-apprentissage-
 automatique-pour-la-physique-a-n-corps-hamiltoniens-modeles-et-perspective
 s-pour-la-prediction-des-materiaux-reels
LOCATION:Université de Montréal - Pavillon J.-Armand-Bombardier\, 5155\, 
 chemin de la rampe \, Montréal\, QC\, Canada\, H3T 2B2
SUMMARY:Apprentissage automatique pour la physique à N-corps: Hamiltoniens
  modèles et perspectives pour la prédiction des matériaux réels
DESCRIPTION:Louis-François Arsenault\, Columbia University Department of P
 hysics\, 538 West 120th Street\,  704 Pupin Hall MC 5255\, New York\, NY 
 10027\, USA.La volonté de prédictions rapide et précise de nouveaux mat
 ériaux sont des éléments clés de la science computationnelle contempor
 aine\, comme l'indique par exemple l’existence de larges programmes tels
  que l’initiative multi-agences Material Genome Initiative. La compréhe
 nsion et la modélisation de systèmes où les électrons sont fortement c
 orrélés est un problème complexe où les méthodes traditionnelles cess
 ent d’être applicables\, mais les retombées technologiques possibles d
 e ces matériaux sont énormes. Nous avons utilisé des méthodes de l’a
 pprentissage automatique (Machine Learning\, ML) comme outil pour la solut
 ion de deux modèles de base de la physique à N-corps en matière condens
 ée: les modèles de l’impureté d’Anderson [1] et le champ moyen dyna
 mique (DMFT) pour le modèle d’Hubbard [2].Les difficultés techniques c
 lés reposent sur la définition de la mise en correspondance fonctionnell
 e d’une fonction d’entrée vers une fonction de sortie et la distincti
 on entre une solution métallique et celle d’un isolant de Mott. Notre f
 ormalisme est aussi assez général pour être appliqué à d’autres pro
 blèmes d’apprentissage de fonctions. La validité de notre méthode est
  vérifiée par comparaison entre la prédiction de fonctions de corrélat
 ion\, de poids de quasi-particule et de densité d’électrons avec des v
 aleurs exactes. Je discuterai aussi de la possibilité d’utiliser ML com
 me un outil d’ingénierie inverse pour matériaux corrélés.Globalement
 \, nos résultats indiquent qu’avec un développement modeste\, une appr
 oche ML peut être une option computationelle efficiente très intéressan
 te pour la prédiction de matériaux réels  fortement corrélés. Notre 
 approche étant très générale\, les complications provenant du couplage
  de Hund\, de bandes multiples etc qui sont présentes dans les matériaux
  réels devraient bien s’intégrer au formalisme.[1] L.-F Arsenault et a
 l.\, Phys. Rev. B 90\, 155136 (2014)[2] L.-F Arsenault et al.\, arXiv :150
 6.08858
\nPage web du groupe de recherche du Dr. Arsenault
\nCette confér
 ence est présentée par le RQMP Versant Nord du Département de physique
  de l'Université de Montréal et le Département de génie physique de
  Polytechnique Montréal.
END:VEVENT
BEGIN:VTIMEZONE
TZID:America/Montreal
X-LIC-LOCATION:America/Montreal
END:VTIMEZONE
END:VCALENDAR