Notice
ML-enhancement of simulation and optimization in electromagnetism
- document 1 document 2 document 3
- niveau 1 niveau 2 niveau 3
Descriptif
Full-wave simulations of large-scale electromagnetic devices—spanning thousands of wavelengths while featuring sub-wavelength geometrical details—pose significant computational challenges. These simulations are critical in the design and optimization of metamaterials, where resolving fine-scale features is essential to predict macroscopic behavior accurately. In this talk, we present a specific use case where surrogate models are used to accelerate full-wave simulations of optical metasurfaces, thereby enabling iterative optimization loops that would otherwise be prohibitively expensive. We present scientific machine learning approaches for training these surrogate models to increase both the speed of evaluation and the data efficiency. Beyond surrogate modeling, we also demonstrate how machine learning can enhance optimization tasks independently of the underlying solver. In particular, we highlight methods for learning representations of the design space and guiding the search toward optimal configurations, thus improving the overall efficiency of the design process.
Sur le même thème
-
Forum Codabench2026: Introduction – Présentation générale de Codabench
LetournelAnne-CatherineLargement reconnue à l’échelle internationale, Codabench permet d’organiser des compétitions et des benchmarks dans les domaines du machine learning et de l’intelligence artificielle. Le LISN a l
-
Reconstruire le mouvement humain - #épisode7
WuhrerStefanieAu Centre Inria de l’Université Grenoble Alpes, la chercheuse Stefanie Wuhrer met l’intelligence artificielle au service du corps en mouvement.
-
Machine Learning Regularization via Information Measures
Iñaki EsnaolaL’effet de l’asymétrie de l’entropie relative est analysé dans le contexte de la minimisation du risque empirique (ERM) avec régularisation par entropie relative (ERM-RER).
-
Minimization and Maximization of Empirical Risks: Applications in Data Unlearning and Decentralized…
BermudezYaizaCette présentation propose une nouvelle perspective sur la minimisation et la maximisation des risques empiriques avec régularisation par entropie relative en apprentissage statistique.
-
What is the Long-Run Distribution of Stochastic Gradient Descent?
MertikopoulosPanayotisCette conférence explique le comportement à long terme de la descente de gradient stochastique, en montrant qu’elle tend à se concentrer autour des points critiques de basse énergie d’une manière
-
Rethinking Generalisation: Beyond KL with Geometry and Comparators
GuedjBenjaminIntervention sur la généralisation en apprentissage automatique, les avancées récentes de la théorie PAC-bayésienne, l’usage des distances de Wasserstein, les cadres généraux de comparateurs, ainsi
-
Comment les machines apprennent ?
FerréArnaudANF TDM et IA 2025 | Comment les machines apprennent ? avec Arnaud Ferré (MaIAGE, INRAE)
-
Comment une IA peut-elle faire la conversation ?
FerréArnaudANF TDM et IA 2025 | Comment une IA peut-elle faire la conversation ? avec Arnaud Ferré (MaIAGE, INRAE)
-
Interagir efficacement avec un agent conversationnel
ChifuAdrian-GabrielANF TDM et IA 2025 | Comment interagir efficacement avec un agent conversationnel : prompt engineering et prompt hacking avec Adrian Chifu (LIS, Aix-Marseille Université)
-
Les modèles de langue : usages et enjeux sociétaux
GuigueVincentANF TDM et IA 2025 | Les modèles de langue : usages et enjeux sociétaux avec Vincent Guigue (MIA, AgroParisTech)
-
Déploiement d'IA sécurisées en local appliqué aux données sensibles et open source
SanjuanEricANF TDM et IA 2025 | Retour d’expérience sur le déploiement d'IA sécurisées en local (processus ETLs) appliqué aux données sensibles (santé) et open source (OpenAlex) avec Éric SanJuan (LIA, Avignon
-
Interroger ses documents avec des grands modèles de langage : méthode RAG
PoulainPierreANF TDM et IA 2025 | Interroger ses documents avec des grands modèles de langage : découverte de la méthode RAG avec Pierre Poulain (Laboratoire de Biochimie Théorique, Université Paris Cité)
