Chimie théorique · Apprentissage automatique · Direction technique
Chimiste théoricien de formation, je suis devenu ingénieur en apprentissage automatique et responsable d’équipes techniques. Mon travail se situe à la croisée de la physique quantique, de l’intelligence artificielle et des produits concrets : des modèles qui prédisent le comportement des molécules et des matériaux en une fraction du temps d’un calcul quantique, et une IA générative qui transforme une simple idée en un design abouti.
Une partie de mon travail : une IA qui décompose une image plate en calques modifiables – arrière-plan, objets et texte – pour pouvoir changer chaque élément séparément. Survolez l’image à droite pour la voir se décomposer en calques.Touchez l’image ci-dessous pour la voir se décomposer en calques.
Dr. Philipp Marquetand
La chimie quantique est précise, mais lente. Je développe des modèles d’apprentissage automatique entraînés sur des données quantiques qui prédisent les propriétés des molécules et des matériaux des ordres de grandeur plus vite – pour explorer médicaments candidats, matériaux de batteries et composés photovoltaïques à une échelle jusqu’ici inaccessible.
Les grands modèles de langage et les modèles de diffusion peuvent proposer des mises en page, reformuler des textes, retoucher des images et créer des visuels à partir d’une courte description. Je travaille à rendre ces systèmes rapides et fiables, pour que chacun passe de l’idée au design fini en quelques secondes.
Un modèle ne compte que lorsqu’il fonctionne de manière fiable pour de vrais utilisateurs. Je dirige des équipes d’ingénierie qui transforment la recherche en produits – des pipelines de données et de l’entraînement jusqu’à l’inférence GPU à grande échelle, la supervision et l’exploitation.
Exemple · prédiction de structures cristallines
Qu’un principe actif fonctionne en comprimé ne dépend pas seulement de la molécule, mais de la façon dont ses molécules s’empilent dans un cristal. Le paracétamol, l’un des antalgiques les plus utilisés, cristallise sous plusieurs formes, qui se compriment plus ou moins bien en comprimés. Des modèles d’apprentissage automatique entraînés sur des données de chimie quantique classent ces empilements cristallins en une fraction du temps des calculs classiques. C’est l’un des problèmes sur lesquels je travaille aujourd’hui.
Faites glisser pour faire tourner le cristal.
Avant de rejoindre l’industrie, j’ai consacré de nombreuses années à la recherche académique sur la réponse des molécules à la lumière et aux impulsions laser ultracourtes, et j’ai contribué à faire émerger l’apprentissage automatique pour la dynamique moléculaire des états excités. Ces travaux ont donné lieu à une centaine de publications évaluées par les pairs et à des logiciels de simulation libres.
Machine learning spectroscopy to advance computation and analysis
Chem. Sci., 16, 21660–21676 (2025).
Deep learning study of tyrosine reveals that roaming can lead to photodamage
Nat. Chem., 14, 914-919 (2022). arXiv:2108.04373 [physics.chem-ph]
Machine learning for electronically excited states of molecules
Chem. Rev., 121, 9873-9926 (2021). arXiv:2007.05320 [physics.chem-ph]
Machine Learning Molecular Dynamics for the Simulation of Infrared Spectra
Chem. Sci., 8, 6924-6935 (2017). Supporting information arXiv:1705.05907 [physics.chem-ph]
J. Chem. Theory Comput., 7, 1253 - 1258 (2011).
Pour une collaboration, une conférence ou une question, écrivez-moi à philipp@marquetand.net.