groupe

Abdel Mfougouon Njupoun

(co-supervisé par Blake Richards)

Je suis doctorant en mathématiques appliquées avec un axe de recherche à l’intersection de l’intelligence artificielle et des neurosciences. J’ai une formation interdisciplinaire en mathématiques, robotique et ingénierie des systèmes robotiques. Je suis passionné par la compréhension du fonctionnement du cerveau et enthousiaste à l’idée d’utiliser les mathématiques pour explorer des systèmes complexes. J’aime tous les sports, en particulier le soccer. J’aime aussi regarder des documentaires.

Avery Hee-Woon Ryoo

(co-supervisé par Matthew Perich)

Je suis étudiant aux cycles supérieurs, passionné par les modèles génératifs profonds, en particulier leurs applications en médecine et en science. Mon objectif est d’utiliser des idées issues de l’apprentissage profond, de l’apprentissage multimodal et de la théorie des systèmes dynamiques pour concevoir des cadres génératifs plus rapides et plus efficaces en données — une étape cruciale pour atténuer le fossé croissant des ressources à l’ère des modèles de plus en plus grands. Mes autres intérêts incluent les neuroprothèses, l’apprentissage en contexte, les Raptors de Toronto et le fait de contredire Nanda sur une variété de sujets sans importance.

Eric Elmoznino

(co-supervisé par Yoshua Bengio)

Je travaille à l’intersection de l’intelligence artificielle et des neurosciences computationnelles, et je m’intéresse à la compréhension de la cognition consciente afin de combler le fossé entre l’apprentissage profond et l’esprit humain. Bien que les réseaux de neurones profonds actuels excellent dans les domaines perceptuels tels que la vision, ils sont incapables d’effectuer le type de raisonnement d’ordre supérieur qui, chez l’humain, est associé à la pensée consciente et délibérée. Une hypothèse centrale motivant mon travail est que les représentations conscientes sont simples, discrètes et, surtout, compositionnelles. Mes principaux projets visent à formaliser ces concepts insaisissables, à mieux comprendre comment ils fonctionnent dans le cerveau et à développer des modèles de réseaux de neurones profonds librement inspirés des sciences cognitives.

Ezekiel (Zeke) Williams

Je suis doctorant en mathématiques appliquées et je travaille à découvrir les principes sous-jacents à l’apprentissage, la mémoire et la prédiction, ainsi que la manière dont ces phénomènes émergent de la dynamique électrique dans le cerveau. Mes travaux actuels portent sur le rôle du hasard dans le calcul neuronal et sur la capacité des réseaux de cellules biologiques à apprendre même lorsque l’information à apprendre est répartie sur de longues échelles temporelles. Étant donné la similarité entre les modèles du cerveau et l’IA, mes travaux ont une certaine pertinence pour l’apprentissage automatique. Mathématiquement, mes intérêts se situent principalement dans la théorie des systèmes dynamiques, la théorie des probabilités et les statistiques. J’aime aussi faire de la musique, le plein air, Science for the People et écouter Rage Against the Machine.

Léo Choinière

(co-supervisé par Numa Dancause)

Je suis doctorant en neurosciences à l’Université de Montréal. Je m’intéresse aux interfaces cerveau-machine, à la dynamique neuronale et au contrôle moteur. Mon projet principal vise à optimiser les paramètres dans le contexte de la neurostimulation chez des modèles animaux précliniques. De manière générale, ma recherche se situe à l’intersection des neurosciences expérimentales et computationnelles et requiert des compétences dans les deux domaines.

Léo Gagnon

Je m’intéresse à la compréhension des systèmes d’apprentissage généraux tels que les grands modèles de langage afin de contribuer à les améliorer. Plus précisément, en utilisant des idées issues du méta-apprentissage, des statistiques bayésiennes et d’autres domaines pertinents, j’étudie les modèles fondationnels dans des cadres contrôlés à la recherche de principes reliant leurs données de pré-entraînement, leurs mécanismes et leur architecture. J’aime aussi jouer de la guitare, dépenser des calories et poser des questions profondes.

Nanda H Krishna

Je suis doctorant et je travaille sur des problèmes à l’intersection des neurosciences computationnelles et de l’apprentissage profond. Je m’intéresse particulièrement au développement d’une compréhension théorique de la façon dont l’apprentissage façonne le calcul dans les cerveaux et les réseaux de neurones artificiels. Je travaille également à la construction de modèles fondationnels pour les neurosciences, dans le but d’améliorer le décodage dans les interfaces cerveau-ordinateur. Pendant mon temps libre, on me trouve à peaufiner des figures, regarder du cricket, lire des bandes dessinées ou inventer des phrases en coréen qui agacent Avery.

Pingsheng Li

(co-supervisé par Blake Richards)

À venir !

Pravish Sainath

(co-supervisé par Lune Bellec)

Je suis doctorant à l’Université de Montréal. Le but de ma vie et de mes études est de mieux comprendre la nature et les mécanismes de l’intelligence tant naturelle qu’artificielle. Je m’intéresse principalement à l’utilisation des neurosciences computationnelles et cognitives pour améliorer les méthodes d’apprentissage profond et par renforcement, ainsi qu’à l’application des méthodes d’apprentissage profond pour mieux comprendre le cerveau.

Sangnie Bhardwaj

(co-supervisé par Hugo Larochelle)

Je suis doctorante à l’UdeM et également chercheuse chez Google Montréal, où je travaille à la construction de représentations d’images robustes et généralisables. Je m’intéresse à atteindre cet objectif en incorporant des principes inspirés de l’apprentissage visuel dans le cerveau humain.

Sarthak Mittal

(co-supervisé par Yoshua Bengio)

Je suis doctorant et je m’intéresse à la conception de systèmes d’IA unifiés qui ne sont pas limités à la résolution d’une seule tâche, mais qui apprennent implicitement des routines d’optimisation à usage général dans leur mécanisme d’inférence, leur permettant de se généraliser à de nouvelles tâches avec peu d’exemples. Dans cette quête, mes explorations portent sur les biais inductifs architecturaux et l’apprentissage de représentations pour encourager les calculs compositionnels dans les réseaux de neurones, ainsi que sur la modélisation générative et les méthodologies d’inférence bayésienne apparentées aux configurations de méta-apprentissage probabiliste. Un principe directeur central de mon travail est de modéliser efficacement certaines invariances cruciales sous-jacentes à une grande majorité de tâches, par exemple les procédures d’optimisation, et je crois que l’utilisation de systèmes d’IA pour modéliser exactement ces invariances mènerait à des capacités de généralisation avec peu d’exemples à travers de nouvelles tâches.

Ximeng Mao

Je suis doctorant en informatique et je travaille en apprentissage automatique. Je m’intéresse largement à l’application des méthodes d’apprentissage automatique et profond aux problèmes liés aux interfaces cerveau-machine, et je vise à exploiter des modèles déterministes et stochastiques pour des solutions génériques. Ma recherche actuelle porte sur le méta-apprentissage pour l’adaptation avec peu d’exemples de modèles personnalisés et de modèles fondationnels pour le décodage neuronal. Mes autres intérêts incluent l’inférence probabiliste, l’apprentissage par renforcement et l’analyse d’images médicales.