Pinns: principe, avantages et limitations

ANNULATION ET REPORT À UNE DATE ULTÉRIEURE

Emmanuel Franck ne pourra pas être présent ce soir, nous vous communiquerons une nouvelle date pour ce meetup prochainement.

Rejoignez-nous le 12 à 18h45 février pour conjuguer mathématiques et Deep Learning avec les Physics Informed Neural Networks ! Ce séminaire s'adresse à un public relativement spécialisé : data scientists amoureux des maths et de la physique ou mathématiciens.

Lieu Bar No 5, 46 rue du Maréchal Joffre.

Résumé: Depuis quelques années ont émergées plusieurs méthodes pour approcher les solutions d'EDP à l'aide de réseaux de neurones comme les PINNs, la méthode Neural Galerkin. Dans un premier temps se propose de montrer que ces méthodes peuvent être vues comme de nouvelles méthodes numériques très proches dans l'esprit des méthodes numériques usuelles, mais avec des qualités et des défauts très différents des techniques usuelles qu'on illustrera. Dans un second temps on détaillera des aspects de leur implémentation. Pour finir on introduira rapidement les pistes actuelles pour améliorer les performances de ses méthodes

Biographie: Emmanuel Franck a obtenu son doctorat en Mathématiques appliquées a Sorbonne Université en 2012. Après 2 ans de post-doctorat au Max Planck de Physique des Plasmas il a rejoint INRIA en 2014 comme chargé de recherche dans l'équipe TONUS. Il a obtenu son HDR en 2023 et maintenant, il est responsable de l'équipe MACARON. Ses recherches actuelles portent sur les méthodes numériques, les modèles réduits et le contrôle optimal pour les équations hyperboliques et cinétiques. Dans ce cadre, il a étudié principalement l'hybridation des approches classiques avec des approches issues de l'apprentissage profond.