Raissi et al. (2019) ont introduit la méthode PINNs (Physics Informed Neural Networks) dans leur article intitulé Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations.

Ils ont montré que les PINNs peuvent résoudre efficacement un large éventail de problèmes en dynamique des fluides, en mécanique des solides et en mécanique quantique.

Les PINNS sont une technique avancée de modélisation en IA qui permet de résoudre des problèmes de physique et d’ingénierie en utilisant des réseaux de neurones. Concrètement, Les PINNS peuvent ainsi être utilisés pour simuler des phénomènes physiques ou prédire des résultats d’expériences en utilisant des données d’entrée telles que les conditions initiales et les paramètres de la physique.

L’utilisation des PINNS nécessite donc généralement une certaine connaissance de la physique associée à un problème donné et des techniques de modélisation en IA.

• 00:00 Introduction à la séquence
• 00:57 What’is PINNS ?
• 6:12 PINNS Idea
• 9:42 Proof Concepts
• 11:03 TP Classical PINNS & Pause Question
• 44:48 Inverse Problem & TP Classical
• 51:49 Loss Regularization & TP Classical
• 1:10:37 Differents types of sampling
• 1:36:15 NEXT JDLS