David Rolnick
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2020
David Rolnick est titulaire d’une chaire en IA Canada-CIFAR à Mila et professeur adjoint à la l’École d’informatique de l’Université McGill. Il est cofondateur et président de Climate Change AI, codirecteur scientifique de Durabilité à l’ère numérique et responsable canadien du NSF-NSERC Global Center on AI and Biodiversity Change (ABC).
Rolnick se penche sur les innovations en apprentissage automatique qui permettent de lutter contre le changement climatique ainsi que sur les fondements mathématiques des algorithmes d’apprentissage profond. Ses recherches visent à combler les écarts entre la recherche sur l’apprentissage automatique et des domaines tels que l’énergie et l’écologie au moyen d’applications d’atténuation et d’adaptation au changement climatique. Son travail a considérablement influencé les politiques internationales et l’entrepreneuriat.
En ce qui a trait aux fondements de l’apprentissage profond, David Rolnick s’intéresse à l’analyse du moment et aux raisons de la réussite ou de l’échec de différents algorithmes, ainsi qu’au développement de nouveaux algorithmes qui tirent parti des connaissances en mathématiques et en neuro-informatique. Ces travaux visent à jeter les bases des futures recherches sur l’apprentissage profond en remplaçant les progrès par essais et erreurs par des algorithmes conçus à partir de principes fondamentaux.
Prix
- Bourse de recherche AI2050 pour les chercheurs en début de carrière, Schmidt Sciences, 2024
- Sélection mondiale des 35 innovateurs de moins de 35 ans, MIT Technology Review, 2021
- Bourse postdoctorale en mathématiques, NSF, 2018-2020
- Hugh Hampton Young Memorial Fund Fellowship, MIT, 2017-2018
- Bourse d’études supérieures, NSF, 2013-2017
- Bourse d’étude et de recherche Fulbright États-Unis–Allemagne, 2012-2013.
Publications Pertinentes
- Luccioni, A.S. et Rolnick, D. (2023). « Bugs in the data: How ImageNet misrepresents biodiversity », AAAI Conference on Artificial Intelligence.
- Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., Bengio, Y. et coll. (2022). « Tackling climate change with machine learning ». ACM Computing Surveys, vol. 55, no 2, p. 1-96.
- Kaack, L.H., Donti, P.L., Strubell, E., Kamiya, G., Creutzig, F. et Rolnick, D. (2022). « Aligning artificial intelligence with climate change mitigation », Nature Climate Change, vol. 12, no 6, p. 518-527.
- Donti, P.L., Rolnick, D. et Kolter, J.Z. (2021). « DC3: A learning method for optimization with hard constraints », International Conference on Learning Representations.
- Rolnick, D., Ahuja, A., Schwarz, J., Lillicrap, T., Wayne, G. (2019). « Experience replay for continual learning » Advances in Neural Information Processing Systems, 32:350-360.
- Hanin, B., Rolnick, D. (2019). « Complexity of linear regions in deep networks ».