PINN

Les PINN, pour “Physics-Informed Neural Networks”, sont une nouvelle classe de réseaux de neurones combinant apprentissage automatique et physique.

Les inventeurs des PINN les définissent comme étant “des réseaux de neurones entraînés pour résoudre des tâches d’apprentissage supervisé tout en respectant les lois de la physique décrites par des équations aux dérivées partielles non linéaires générales”.

En effet, les algorithmes ne prennent pas nécessairement en compte les principes physiques qui gouvernent les systèmes auxquels ils sont appliqués. Pourtant, le comportement de ces systèmes dépend de différentes disciplines (comme la mécanique ou la thermodynamique) ayant chacune leurs propres lois et modèles, qui constituent une source d’informations précieuses.

En conséquence, même les techniques les plus avancées de machine learning sont parfois peu efficaces pour résoudre des problèmes scientifiques et d’ingénierie complexes.

L’idée des PINN est donc “d’encoder” les lois de la physique et les connaissances scientifiques dans les algorithmes d’apprentissage pour les rendre plus robustes et performants.
Selon leurs inventeurs, l’ajout de ces informations cruciales peut restreindre le champ des solutions possibles, ce qui permettrait aux algorithmes de s’orienter plus rapidement vers la bonne solution et de mieux se généraliser, c’est-à-dire fonctionner correctement dans le monde réel, avec des données qu’ils n’ont jamais vues.

Les PINN intéressent le monde de la recherche, dans une variété de domaines comme la climatologie, la sismologie ou la science des matériaux.

Cette approche intéresse aussi l’industrie. Par exemple, pour créer le jumeau numérique d’un avion, le logiciel de simulation utilisant des PINN prendra en compte tous les phénomènes physiques à l’œuvre ainsi que leurs interactions. Il intégrera donc, d’une part, les règles d’aérodynamique et de mécanique qui font voler l’avion, et, d’autre part, les données générées tout au long de son cycle de vie.

A lire aussi sur Hello Future

Pranavesh Panakkal et Dr. Jamie Ellen Padgett expliquant le fonctionnement de leur modèle OpenSafe Fusion.

Inondations : comment le machine learning peut aider à sauver des vies

Découvrir
décryptage de la lettre de Charles Quint - Cécile Pierrot à la bibliothèque

L’IA ouvre de nouveaux outils à la recherche en histoire

Découvrir
Une personne en blouse de laboratoire et lunettes de protection tient un microprocesseur dans sa main gantée. L'environnement est lumineux et moderne, suggérant un laboratoire de recherche ou de développement technologique.

Biais algorithmiques : le hardware influence également les réseaux de neurones

Découvrir
Trois personnes collaborent autour d'un ordinateur portable dans un environnement de bureau moderne. L'une d'elles, debout, explique quelque chose aux deux autres assis, qui semblent attentifs. Sur la table, on peut voir un ordinateur de bureau, une tablette et des accessoires de bureau. Des plantes et des bureaux sont visibles en arrière-plan.

FairDeDup : un outil pour aider les modèles d’IA à se libérer des biais sociaux

Découvrir
Une femme se tient dans un train, tenant un téléphone. Elle porte un manteau beige et une écharpe bleue et marron. L'intérieur du train est lumineux, avec des sièges et des barres de soutien en métal.

Un modèle mathématique souhaite aider l’IA à anticiper les émotions humaines

Découvrir
Parlons Tech, le podcast d'Hello Future, le site de la Recherche et de l'Innovation d'Orange

Parlons Tech 14 : comment l’IA aide-t-elle à apprendre ?

Découvrir