<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>conditions extremes &#8211; Enerzine</title>
	<atom:link href="https://www.enerzine.com/etiquettes/conditions-extremes/feed" rel="self" type="application/rss+xml" />
	<link>https://www.enerzine.com</link>
	<description>L&#039;énergie au quotidien</description>
	<lastBuildDate>Thu, 21 Dec 2023 09:00:00 +0000</lastBuildDate>
	<language>fr-FR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://www.enerzine.com/wp-content/uploads/2024/02/cropped-enerzine_logo_512-32x32.png</url>
	<title>conditions extremes &#8211; Enerzine</title>
	<link>https://www.enerzine.com</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>L&#8217;exploitation des données de diffraction des rayons X par l&#8217;apprentissage profond</title>
		<link>https://www.enerzine.com/lexploitation-des-donnees-de-diffraction-des-rayons-x-par-lapprentissage-profond/79810-2023-12</link>
		
		<dc:creator><![CDATA[La rédaction]]></dc:creator>
		<pubDate>Thu, 21 Dec 2023 09:00:00 +0000</pubDate>
				<category><![CDATA[Intelligence artificielle]]></category>
		<category><![CDATA[Technologie]]></category>
		<category><![CDATA[apprentissage profond]]></category>
		<category><![CDATA[conditions extremes]]></category>
		<category><![CDATA[diffraction des rayons x]]></category>
		<category><![CDATA[donnees experimentales]]></category>
		<category><![CDATA[innovation materielle]]></category>
		<guid isPermaLink="false">https://www.enerzine.com/?p=79801</guid>

					<description><![CDATA[Dans le domaine de la science des matériaux, une équipe de chercheurs a mis au point des modèles d&#8217;apprentissage profond capables de traiter les volumes massifs de données générés par les techniques de diffraction des rayons X. Cette innovation pourrait accélérer l&#8217;innovation matérielle et la compréhension des matériaux dans des conditions extrêmes. Des chercheurs de [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
