home.md

@@ -30,7 +30,7 @@ Cette journée est organisée par **l'IDRIS** et **l'ANF Fidle**, avec le soutie
 
 |**PINNS (Physics Informed Neural Networks) : Couplage Physique-IA ? **|
 |--|
-Les PINNS (Physics Informed Neural Networks) sont une technique avancée de modélisation en IA qui permet de résoudre des problèmes de physique et d'ingénierie en utilisant des réseaux de neurones. Concrètement, cela signifie que les PINNS peuvent être utilisés pour simuler des phénomènes physiques ou prédire des résultats d'expériences en utilisant des données d'entrée telles que les conditions initiales et les paramètres de la physique. L'utilisation des PINNS est généralement réservée à des experts en physique ou en mathématiques, car ils nécessitent une certaine connaissance de la théorie physique et des techniques de modélisation en IA.<br><br> Les méthodes traditionnelles, telles que les méthodes numériques classiques (comme les méthodes des différences finies ou les méthodes des éléments finis), sont basées sur des schémas mathématiques rigoureux et sont donc très précises. Cependant, elles peuvent être très coûteuses en termes de calcul et peuvent nécessiter une grande quantité de données d'entrée pour fonctionner. Les PINNS, quant à elles, utilisent des réseaux de neurones pour modéliser des phénomènes physiques complexes. Elles sont plus rapides et moins coûteuses en termes de calcul, et nécessitent souvent moins de données d'entrée pour produire des résultats précis. <br><br>Au menu de cette séquence :<br> <br>- Introduction au PINNS <br>-Resolution des équations différentielle- Du RL au DQN : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation<br> - Policy Gradient : directement dans l'action<br>- Cas d'usage, résultats et perspectives<br><br>Séquence animée par Remy Lacroix (CNRS/IDRIS) Durée : 2h<br><br> <img width=250 src="uploads/822340ad82cf90d6274713ff142e248e/Screenshot_from_2023-04-24_11-57-29.png">
+Les PINNS (Physics Informed Neural Networks) sont une technique avancée de modélisation en IA qui permet de résoudre des problèmes de physique et d'ingénierie en utilisant des réseaux de neurones. Concrètement, cela signifie que les PINNS peuvent être utilisés pour simuler des phénomènes physiques ou prédire des résultats d'expériences en utilisant des données d'entrée telles que les conditions initiales et les paramètres de la physique. L'utilisation des PINNS est généralement réservée à des experts en physique ou en mathématiques, car ils nécessitent une certaine connaissance de la théorie physique et des techniques de modélisation en IA.<br><br> Les méthodes traditionnelles, telles que les méthodes numériques classiques (comme les méthodes des différences finies ou les méthodes des éléments finis), sont basées sur des schémas mathématiques rigoureux et sont donc très précises. Cependant, elles peuvent être très coûteuses en termes de calcul et peuvent nécessiter une grande quantité de données d'entrée pour fonctionner. Les PINNS, quant à elles, utilisent des réseaux de neurones pour modéliser des phénomènes physiques complexes. Elles sont plus rapides et moins coûteuses en termes de calcul, et nécessitent souvent moins de données d'entrée pour produire des résultats précis. <br><br>Au menu de cette séquence :<br> <br>- Introduction au PINNS <br>-Resolution des équations différentielle- Du RL au DQN : pour passer à des espaces à hautes dimensionalités via des fonctions d'approximation<br> - Policy Gradient : directement dans l'action<br>- Cas d'usage, résultats et perspectives<br><br>Séquence animée par Remy Lacroix (CNRS/IDRIS) Durée : 2h<br><br> <img width=450 src="uploads/822340ad82cf90d6274713ff142e248e/Screenshot_from_2023-04-24_11-57-29.png">
 
 A propos de la **[formation Fidle](https://fidle.cnrs.fr/presentation)**  
 Découvrez le **[programme 2022/23](Fidle à distance/Programme)**