Encore un exposé clair et agréable à écouter que celui de Weinan E, lauréat du Prix Peter Henrici, décerné conjointement par l’ETH Zürich et la Society for Industrial and Applied Mathematics (SIAM) à l’occasion de l’ICIAM, et nommé en l’honneur de l’analyste numéricien suisse Peter Henrici.
Dans cet exposé intitulé Machine Learning: Mathematical Theory and Scientific Applications, Weinan E commençait par encourager les jeunes à s’intéresser de près au machine learning (en français apprentissage machine ou apprentissage statistique), appelé à jouer un rôle de plus en plus crucial dans la résolution de problèmes très difficiles tels que les équations de la mécanique quantique ou de la turbulence, et, de manière générale, les problèmes multi-échelles (en particulier ceux que les méthodes multi-échelles classiques ont du mal à traiter) ou frappés par la « malédiction de la grande dimension ». Weinan E appelait à utiliser les outils modernes de l’apprentissage machine, dont il rappelait les bases théoriques mathématiques, pour aider à construire des modèles physiques fiables et pratiques, avec des applications allant de la traduction automatique à la finance. Il s’agissait là encore de concilier l’approche « données » et l’approche « modèles », une idée également explorée par Yvon Maday lors de sa Pioneer Prize Lecture.