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 ? **|
 |--|
-Raissi et al. (2019) ont introduit la méthode PINNs(Physics Informed Neural Networks)  dans leur article intitulé **Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations**. Ils ont montré que les PINNs peuvent résoudre efficacement un large éventail de problèmes en dynamique des fluides, en mécanique des solides et en mécanique quantique.<br><br> Les PINNS 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. De plus, un pinns est extrêmement plus lent à résoudre un problème direct par rapport à une méthode classique (de plusieurs minutes sur gpu à une fraction de seconde sur 1 core de cpu) et l'erreur (peu importe celle que l'on choisit, est de plusieurs ordre de grandeur supérieure avec un pinns qu'avec une méthode classique). Dans ce cas il ne faut pas utiliser de pinns.<br><br>L'utilisation des PINNS nécessite généralement une certaine connaissance de la théorie physique et des techniques de modélisation en IA.Si c'est vrai pour le développement de techniques d'amélioration des pinns ce n'est pas le cas de son utilisation bien au contraire. On a pas à coder un schéma numérique complexe avec toute la connaissance qui y est lié pour résoudre une equation. <br><br>Au menu de cette séquence :<br><br>- Introduction au PINNS <br>- Exemple de resolution des équations différentielles <br> - Equilibrage de la loss pour ameliorer l'exactitude<br><br>Séquence animée par Rémy Dubois (CNRS/IDRIS) Durée : 2h<br><br> <img width=550 src="uploads/822340ad82cf90d6274713ff142e248e/Screenshot_from_2023-04-24_11-57-29.png">
+Raissi et al. (2019) ont introduit la méthode PINNs(Physics Informed Neural Networks)  dans leur article intitulé **Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations**. Ils ont montré que les PINNs peuvent résoudre efficacement un large éventail de problèmes en dynamique des fluides, en mécanique des solides et en mécanique quantique.<br><br> Les PINNS 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. <br> <br> Un PINNS est extrêmement plus lent à résoudre un problème direct par rapport à une méthode classique (de plusieurs minutes sur gpu à une fraction de seconde sur 1 core de cpu) et l'erreur (peu importe celle que l'on choisit, est de plusieurs ordre de grandeur supérieure avec un pinns qu'avec une méthode classique). Dans ce cas il ne faut pas utiliser de pinns.<br><br>L'utilisation des PINNS nécessite généralement une certaine connaissance de la théorie physique et des techniques de modélisation en IA.Si c'est vrai pour le développement de techniques d'amélioration des pinns ce n'est pas le cas de son utilisation bien au contraire. On a pas à coder un schéma numérique complexe avec toute la connaissance qui y est lié pour résoudre une equation. <br><br>Au menu de cette séquence :<br><br>- Introduction au PINNS <br>- Exemple de resolution des équations différentielles <br> - Equilibrage de la loss pour ameliorer l'exactitude<br><br>Séquence animée par Rémy Dubois (CNRS/IDRIS) Durée : 2h<br><br> <img width=550 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)**