Libro de deep learning basado en física

Deep Learning Basado en Física

Introducción

• Ofrece una introducción práctica e integral al deep learning relacionado con la simulación física
• Se ofrece en formato de cuadernos Jupyter, por lo que es posible ejecutar y modificar de inmediato los ejemplos de código
• Además del aprendizaje supervisado estándar a partir de datos, aborda restricciones de pérdida física, algoritmos de aprendizaje combinados con simulación diferenciable, algoritmos de aprendizaje adaptados a problemas físicos, aprendizaje por refuerzo y modelado de incertidumbre

Novedades

• En la v0.2 se agregó una sección ampliada que integra DP en el entrenamiento de NN, junto con un nuevo capítulo sobre métodos de aprendizaje mejorados para problemas físicos

Avance

• El siguiente capítulo trata cómo inferir el flujo de fluidos alrededor de un perfil aerodinámico y cómo estimar la incertidumbre de las predicciones
• Explica cómo entrenar la red usando las ecuaciones del modelo como residuales, y cómo mejorar estas restricciones residuales mediante simulación diferenciable
• Aborda cómo interactuar más estrechamente con el simulador completo para resolver problemas inversos
• Da especial importancia a la inversión en la etapa de actualización y explica cómo la información de orden superior puede usarse para acelerar la convergencia y obtener redes neuronales más precisas

Código ejecutable

• Se pueden ejecutar directamente en el navegador todos los ejemplos de código usando cuadernos Jupyter
• Es posible probar el código de ejemplo mediante los enlaces dentro del documento

Comentarios y sugerencias

• Este libro es mantenido por el grupo de simulación basada en física de TUM
• Si tienes comentarios o encuentras errores, puedes contactar por correo electrónico
• También se mantiene una recopilación de enlaces a artículos de investigación recientes

Agradecimientos

• El proyecto fue posible gracias a la ayuda de muchas personas
• Se expresa agradecimiento a quienes contribuyeron

Cita

• Si este libro te resulta útil, por favor cítalo de la siguiente manera:

  @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}
  }
  

Resumen de GN⁺

• Este texto presenta una metodología que combina simulación física y deep learning
• Ayuda al aprendizaje ofreciendo ejemplos de código prácticos mediante cuadernos Jupyter
• Cubre diversos temas como restricciones de pérdida física, simulación diferenciable y aprendizaje por refuerzo
• El enfoque de Physics-based Deep Learning (PBDL) puede ampliar enormemente las posibilidades de la simulación por computadora