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>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. 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 utilisées pour résoudre des problèmes de physique et d'ingénierie, 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-<br> - Equilibrage de la loss pour ameliorer l'exactitude<br><br>Séquence animée par Rémi Lacroix (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. 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 utilisées pour résoudre des problèmes de physique et d'ingénierie, 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-<br> - Equilibrage de la loss pour ameliorer l'exactitude<br><br>Séquence animée par Rémi Lacroix (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)**