ETH Zürich AISE: Нейронные сети, основанные на физических принципах – Введение

↓↓↓ ОБЗОР ЛЕКЦИИ НИЖЕ ↓↓↓ ETH Zürich Искусственный интеллект в науке и инженерии 2024 Веб-сайт курса (ссылки на слайды и учебные материалы): https://www.camlab.ethz.ch/teaching/a... Лекторы: д-р Бен Мозли и профессор Сиддхартха Мишра ▬ Содержание лекции ▬▬▬ 0:00 - Повторение: предыдущая лекция 3:25 - Использование нейронных сетей для проведения моделирования 6:21 - Что такое нейронная сеть, основанная на физических принципах (PINN)? 18:50 - PINN как общая структура для решения дифференциальных уравнений в частных производных 20:56 - PINN для решения уравнения Бюргерса 28:00 - История и состояние исследований 29:49 - Как обучать PINN 35:58 - 🔴 Кодирование PINN в реальном времени - часть 1 | Код: https://github.com/benmoseley/AISE-2024 49:29 - Вопросы обучения 54:01 - PINN с точки зрения машинного обучения 58:32 - Ключевые научные задачи 1:00:29 - Моделирование с помощью PINN 1:06:05 - Решение обратных задач с помощью PINN 1:12:18 - 🔴 Кодирование PINN в реальном времени - часть 2 | Код: https://github.com/benmoseley/AISE-2024 1:20:14 - Обнаружение уравнений с помощью PINN ▬ Обзор курса ▬▬▬ Лекция 1: Введение в курс    • ETH Zürich AISE: Course Introduction   Лекция 2: Введение в глубокое обучение. Часть 1    • ETH Zürich AISE: Introduction to Deep Lear...   Лекция 3: Введение в глубокое обучение. Часть 2    • ETH Zürich AISE: Introduction to Deep Lear...   Лекция 4: Важность дифференциальных уравнений в частных производных в науке    • ETH Zürich AISE: Importance of PDEs in Sci...   Лекция 5: Нейронные сети, основанные на физических принципах – Введение    • ETH Zürich AISE: Physics-Informed Neural N...   Лекция 6: Нейронные сети, основанные на физических принципах – Ограничения и расширения. Часть 1    • ETH Zürich AISE: Physics-Informed Neural N...   Лекция 7: Нейронные сети, основанные на физических принципах – ограничения и расширения. Часть 2.    • ETH Zürich AISE: Physics-Informed Neural N...   Лекция 8: Нейронные сети, основанные на физических принципах – теория. Часть 1.    • ETH Zürich AISE: Physics-Informed Neural N...   Лекция 9: Нейронные сети, основанные на физических принципах – теория. Часть 2.    • ETH Zürich AISE: Physics-Informed Neural N...   Лекция 10: Введение в обучение операторов. Часть 1.    • ETH Zürich AISE: Introduction to Operator ...   Лекция 11: Введение в обучение операторов. Часть 2.    • ETH Zürich AISE: Introduction to Operator ...   Лекция 12: Нейронные операторы Фурье.    • ETH Zürich AISE: Fourier Neural Operators   Лекция 13: Спектральные нейронные операторы и глубокие операторные сети    • ETH Zürich AISE: Spectral Neural Operators...   Лекция 14: Сверточные нейронные операторы    • ETH Zürich AISE: Convolutional Neural Oper...   Лекция 15: Нейронные операторы, зависящие от времени    • ETH Zürich AISE: Time-Dependent Neural Ope...   Лекция 16: Крупномасштабные нейронные операторы    • ETH Zürich AISE: Large-Scale Neural Operators   Лекция 17: Внимание как нейронный оператор    • ETH Zürich AISE: Attention as a Neural Ope...   Лекция 18: Оконное внимание и законы масштабирования    • ETH Zürich AISE: Windowed Attention and Sc...   Лекция 19: Введение в гибридные рабочие процессы. Часть 1.    • ETH Zürich AISE: Introduction to Hybrid Wo...   Лекция 20: Введение в гибридные рабочие процессы. Часть 2.    • ETH Zürich AISE: Introduction to Hybrid Wo...   Лекция 21: Нейронные дифференциальные уравнения    • ETH Zürich AISE: Neural Differential Equat...   Лекция 22: Введение в диффузионные модели    • ETH Zürich AISE: Introduction to Diffusion...   Лекция 23: Введение в JAX    • ETH Zürich AISE: Introduction to JAX   Лекция 24: Символическая регрессия и поиск моделей    • ETH Zürich AISE: Symbolic Regression and M...   Лекция Лекция 25: Применение ИИ в химии и биологии. Часть 1    • ETH Zürich AISE: Applications of AI in Che...   Лекция 26: Применение ИИ в химии и биологии. Часть 2    • ETH Zürich AISE: Applications of AI in Che...   ▬ Описание курса ▬▬▬ Искусственный интеллект оказывает глубокое влияние на науку, ускоряя открытия в физике, химии, биологии и инженерии. Этот курс представляет собой весьма актуальный обзор применений ИИ в этих областях. Особое внимание уделяется использованию ИИ, в частности глубокого обучения, для понимания систем, моделируемых дифференциальными уравнениями в частных производных, а также обсуждаются ключевые научные концепции и темы машинного обучения. ▬ Цели обучения по курсу ▬▬▬ Знан...