Notice
Des opérateurs de neurones aux modèles de fondation : Scientific Machine Learning pour les phénomènes de propagation en sciences de la Terre
- document 1 document 2 document 3
- niveau 1 niveau 2 niveau 3
Descriptif
Le Scientific Machine Learning a émergé comme un domaine à la frontière entre apprentissage automatique et simulation numérique pour construire des méta-modèles innovants. Inspirés par des principes physiques mais également capables de traiter une grande quantité de données d’entraînement, ces méta-modèles sont particulièrement pertinents pour résoudre des problèmes complexes de propagation d’ondes.
Dans cet exposé, je présenterai les opérateurs de neurones de Fourier appliqués à la propagation des ondes sismiques en trois dimensions. La rapidité du méta-modèle rend possible des approches bayésiennes inatteignables avec des solveurs numériques et j’illustrerai une application concrète pour la quantification d’incertitudes sur le séisme du Teil (Ardèche, 2019).
Dans les domaines où de grandes quantités de données sont disponibles, les méta-modèles sont étendus aux modèles de fondation pour capturer les propriétés intrinsèques du système physique. Je montrerai les bénéfices de ces modèles pour transférer l'information d'un problème physique à l'autre et ainsi diminuer les coûts de l'entraînement.
Intervention / Responsable scientifique
Sur le même thème
-
Physical Models and Machine Learning for Scientific Imaging
MairalJulienDeep learning has transformed image processing, often surpassing traditional methods that rely on precise modeling of optical image formation...
-
Désassemblons le numérique - #Episode14 : Et si demain, l'IA lisait dans nos pensées ?
LotteFabienDans ce nouvel épisode de Désassemblons le numérique, nous vous proposons un petit détour par… votre cerveau ! Enfin, plus précisément, par la façon dont les machines pourraient un jour le comprendre.
-
ML-enhancement of simulation and optimization in electromagnetism
PestourieRaphaëlFull-wave simulations of large-scale electromagnetic devices — spanning thousands of wavelengths while featuring sub-wavelength geometrical details — pose significant computational challenges….
-
Impact des techniques neuronales pour la microscopie computationnelle
DorizziBernadetteGottesmanYaneckCet exposé s'attachera à décrire l'intérêt des techniques de réseaux de neurones pour la microscopie computationnelle…
-
Angela Dai – 3D in a Large-Data World
DaiAngelaRecent advances in machine learning have shown remarkable progress in the 2D and video domain, fueled by very large-scale data and compute. 3D, however, which is critical for applications spanning
-
Accidents du travail dans l’UE-15 et méthodes d’apprentissage automatique-PUDD
MboméMarieCette présentation met en avant l'apport des outils modernes de traitement des données dans le domaine des sciences humaines et sociales, en combinant statistiques avancées et intelligence
-
Bruit, erreur, anomalie et incertitude dans les données-PUDD
RossiFabriceLes données collectées sont systématiquement soumises à des perturbations de diverses natures, depuis le bruit de mesure de capteurs jusqu’aux erreurs de saisie.
-
Memory, Light, Spin Glasses, and Deep Classification
LeonettiMarcoMarco Leonetti livre une présentation de haut niveau, à la fois riche et inspirante à l'interface de l'apprentissage machine, de la physique statistique et de l'optique ondulatoire en milieu diffusant
-
Unsupervised learning approaches for patient stratification from electronic health records
José-GarciaAdanPrésentation de deux méthodes d'apprentissage non supervisé : multi-view data clustering et biclustering
-
Integrating Simulation, Machine Learning, and High-performance Computing to Support Public Health D…
OzikJonathanIntegrating Simulation, Machine Learning, and High-performance Computing to Support Public Health Decision Making
-
Modélisation des séquences régulatrices par apprentissage automatique
BréhélinLaurentApplication des méthodes d'apprentissage automatique à l'analyse de séquences régulatrices
-
Réseaux de neurones appliqués aux données d'expression pour la prédiction de phénotype
HanczarBlaiseApplication de réseaux de neurones sur des données d'expression pour prédire des phénotypes
