Livre sur le deep learning basé sur la physique

Deep Learning basé sur la physique

Introduction

• Offre une introduction pratique et complète au deep learning appliqué à la simulation physique
• Proposé sous forme de notebooks Jupyter, permettant d'exécuter et de modifier immédiatement les exemples de code
• Couvre, au-delà de l'apprentissage supervisé standard à partir de données, les contraintes de perte physique, les algorithmes d'apprentissage combinés à des simulations différentiables, les algorithmes d'apprentissage adaptés aux problèmes physiques, l'apprentissage par renforcement et la modélisation de l'incertitude

Nouveautés

• La v0.2 ajoute une section étendue intégrant le DP à l'entraînement des NN, ainsi qu'un nouveau chapitre sur des méthodes d'apprentissage améliorées pour les problèmes physiques

Aperçu

• Le chapitre suivant traite de la manière d'inférer l'écoulement d'un fluide autour d'un profil aérodynamique et d'estimer l'incertitude des prédictions
• Explique comment entraîner un réseau en utilisant les équations du modèle comme résidus, et comment améliorer ces contraintes de résidus à l'aide de simulations différentiables
• Présente comment interagir plus étroitement avec le simulateur complet pour résoudre des problèmes inverses
• Met fortement l'accent sur les inversions à l'étape de mise à jour, et explique comment des informations d'ordre supérieur peuvent être utilisées pour accélérer la convergence et obtenir des réseaux de neurones plus précis

Code exécutable

• Tous les exemples de code peuvent être exécutés directement dans le navigateur à l'aide de notebooks Jupyter
• Les liens dans la documentation permettent de tester l'exécution du code d'exemple

Avis et suggestions

• Ce livre est maintenu par le groupe de simulation basée sur la physique de la TUM
• Il est possible de les contacter par e-mail pour des remarques ou pour signaler des erreurs
• Une collection de liens vers des articles de recherche récents est également maintenue

Remerciements

• Le projet a été rendu possible grâce à l'aide de nombreuses personnes
• Des remerciements sont adressés aux contributeurs

Citation

• Si ce livre vous est utile, merci de le citer comme suit :

  @book{thuerey2021pbdl,
    title={Physics-based Deep Learning},
    author={Nils Thuerey and Philipp Holl and Maximilian Mueller and Patrick Schnell and Felix Trost and Kiwon Um},
    url={https://physicsbaseddeeplearning.org},
    year={2021},
    publisher={WWW}
  }
  

Résumé GN⁺

• Cet article présente une méthodologie qui combine simulation physique et deep learning
• Il propose des exemples de code pratiques via des notebooks Jupyter pour faciliter l'apprentissage
• Il couvre divers sujets comme les contraintes de perte physique, les simulations différentiables et l'apprentissage par renforcement
• L'approche Physics-based Deep Learning (PBDL) peut considérablement étendre les possibilités de la simulation informatique