Orateurs > TutorialSteeven Janny (Naverlabs, Grenoble):Le deep learning a déjà démontré son efficacité en vision par ordinateur, en robotique ou encore en traitement du langage. Il est donc naturel qu’il s’intéresse à la modélisation et la simulation physique. Un grand nombre de modèles spécifiquement conçus pour cette tâche sont apparus ces dernières années : Physics‑Informed Neural Networks (PINNs), opérateurs neuronaux, modèles auto‑régessifs, Neural ODEs, entre autres. Face à cette diversité croissante, il devient difficile de distinguer clairement les hypothèses, les objectifs et les limites de chaque approche. Ce tutoriel propose une vue d’ensemble des techniques de simulation par apprentissage profond, en s’appuyant sur des exemples issus de la mécanique des fluides. L’objectif est de fournir des clés de lecture pour choisir la bonne approche selon la tâche à résoudre. Cette première partie vise ainsi à dresser un panorama des approches existantes et à en souligner les forces et les faiblesses.
Short bio : https://steevenjanny.github.io/
Carole Frindel (CREATIS, Lyon):L’apprentissage guidé par la physique apporte un avantage significatif en imagerie médicale pour les problèmes inverses, dynamiques ou quantitatifs, mais reste peu adapté pour des tâches telles que la segmentation ou la classification. Les approches se distinguent selon le niveau d’intégration de la physique : au niveau des données (par l’intégration de caractéristiques physiques), au niveau de la fonction de coût (PINNs) ou au niveau de l’architecture (opérateurs neuronaux). Les PINNs imposent des contraintes sur la solution mais présentent une généralisation limitée, tandis que les opérateurs neuronaux apprennent l’opérateur physique et permettent une meilleure adaptation à de nouvelles configurations. Cette présentation illustrera ces concepts à l’aide d'exemples tirés de la littérature.
Short bio : https://sites.google.com/view/carole-frindel/ |
