Livro sobre Deep Learning Baseado em Física

Deep Learning Baseado em Física

Introdução

• Fornece uma introdução prática e abrangente ao deep learning relacionado à simulação física
• É disponibilizado em formato de Jupyter Notebook, permitindo executar e modificar exemplos de código imediatamente
• Além do aprendizado supervisionado padrão a partir de dados, também aborda restrições de perda física, algoritmos de aprendizado combinados com simulação diferenciável, algoritmos de aprendizado adaptados a problemas físicos, aprendizado por reforço e modelagem de incerteza

Novidades

• Na v0.2, foram adicionadas uma seção expandida que integra DP ao treinamento de NN e um novo capítulo sobre métodos de aprendizado aprimorados para problemas físicos

Prévia

• O próximo capítulo aborda como inferir o fluxo de fluido ao redor de um aerofólio e estimar a incerteza das previsões
• Explica como treinar a rede usando equações do modelo como resíduos e como melhorar essas restrições residuais usando simulação diferenciável
• Aborda como interagir mais de perto com o simulador completo para resolver problemas inversos
• Trata com destaque da inversão na etapa de atualização e explica como informações de ordem superior podem ser usadas para acelerar a convergência e obter redes neurais mais precisas

Código executável

• Usando Jupyter Notebooks, é possível executar todos os exemplos de código diretamente no navegador
• É possível testar a execução do código de exemplo por meio dos links no documento

Opiniões e sugestões

• Este livro é mantido pelo grupo de simulação baseada em física da TUM
• Em caso de opiniões ou identificação de erros, é possível entrar em contato por e-mail
• Uma coletânea de links para artigos de pesquisa recentes também está sendo mantida

Agradecimentos

• O projeto foi possível graças à ajuda de muitas pessoas
• Agradecimentos são expressos aos contribuidores

Citação

• Se este livro for útil, cite-o da seguinte forma:

  @book{thuerey2021pbdl,
    title={Physics-based Deep Learning},
    author={Nils Thuerey and Philipp Holl and Maximilian Mueller and Patrick Schnell and Felix Trost and Kiwon Um},
    url={https://physicsbaseddeeplearning.org},
    year={2021},
    publisher={WWW}
  }
  

Resumo do GN⁺

• Este texto apresenta uma metodologia que combina simulação física e deep learning
• Oferece exemplos de código práticos em Jupyter Notebook para apoiar o aprendizado
• Aborda diversos temas, como restrições de perda física, simulação diferenciável e aprendizado por reforço
• A abordagem de Physics-based Deep Learning (PBDL) pode ampliar significativamente as possibilidades das simulações computacionais