Sách về Deep Learning dựa trên vật lý

Deep Learning dựa trên vật lý

Giới thiệu

• Cung cấp phần giới thiệu thực tiễn và toàn diện về deep learning liên quan đến mô phỏng vật lý
• Được cung cấp dưới dạng notebook Jupyter, nên có thể chạy và chỉnh sửa ngay các ví dụ mã
• Ngoài học có giám sát tiêu chuẩn từ dữ liệu, còn đề cập đến các ràng buộc hàm mất mát vật lý, các thuật toán học kết hợp với mô phỏng khả vi, các thuật toán học được điều chỉnh cho bài toán vật lý, học tăng cường và mô hình hóa bất định

Nội dung mới

• Trong v0.2, đã bổ sung phần mở rộng tích hợp DP vào huấn luyện NN và một chương mới về các phương pháp học được cải tiến cho các bài toán vật lý

Xem trước

• Chương tiếp theo trình bày cách suy luận dòng chảy chất lưu quanh airfoil và ước lượng độ bất định của dự đoán
• Giải thích cách huấn luyện mạng bằng cách sử dụng các phương trình mô hình như phần dư, và cách cải thiện các ràng buộc phần dư này bằng mô phỏng khả vi
• Đề cập đến cách tương tác chặt chẽ hơn với toàn bộ bộ mô phỏng để giải các bài toán ngược
• Nhấn mạnh tầm quan trọng của phép đảo ở bước cập nhật, đồng thời giải thích cách thông tin bậc cao có thể được dùng để tăng tốc độ hội tụ và thu được mạng nơ-ron chính xác hơn

Mã có thể chạy được

• Có thể dùng notebook Jupyter để chạy ngay mọi ví dụ mã ngay trong trình duyệt
• Có thể chạy thử mã ví dụ thông qua các liên kết trong tài liệu

Ý kiến và đề xuất

• Cuốn sách này được nhóm Physics-based Simulation của TUM duy trì
• Có thể liên hệ qua email nếu có ý kiến hoặc phát hiện lỗi
• Nhóm cũng đang duy trì một bộ sưu tập liên kết tới các bài báo nghiên cứu gần đây

Lời cảm ơn

• Dự án này có thể thực hiện được nhờ sự giúp đỡ của nhiều người
• Gửi lời cảm ơn tới các cộng tác viên

Trích dẫn

• Nếu cuốn sách này hữu ích, vui lòng trích dẫn như sau:

  @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}
  }
  

Tóm tắt của GN⁺

• Bài viết này giới thiệu phương pháp kết hợp mô phỏng vật lý và deep learning
• Cung cấp các ví dụ mã có thể thực hành thông qua notebook Jupyter để hỗ trợ học tập
• Đề cập đến nhiều chủ đề đa dạng như ràng buộc hàm mất mát vật lý, mô phỏng khả vi, học tăng cường
• Cách tiếp cận Physics-based Deep Learning (PBDL) có thể mở rộng đáng kể khả năng của mô phỏng máy tính