หนังสือ Deep Learning ที่อิงฟิสิกส์

Deep Learning ที่อิงฟิสิกส์

บทนำ

• นำเสนอคำแนะนำเชิงปฏิบัติและครอบคลุมเกี่ยวกับ deep learning ที่เกี่ยวข้องกับการจำลองทางฟิสิกส์
• ให้บริการในรูปแบบ Jupyter Notebook จึงสามารถรันและแก้ไขตัวอย่างโค้ดได้ทันที
• นอกจากการเรียนรู้แบบมีผู้สอนมาตรฐานจากข้อมูลแล้ว ยังครอบคลุม physical loss constraints, อัลกอริทึมการเรียนรู้ที่ผสานกับ differentiable simulation, อัลกอริทึมการเรียนรู้ที่ปรับให้เหมาะกับปัญหาฟิสิกส์, reinforcement learning และการสร้างแบบจำลองความไม่แน่นอน

เนื้อหาใหม่

• ใน v0.2 ได้เพิ่มส่วนที่ขยายเกี่ยวกับการผสาน DP เข้ากับการฝึก NN และบทใหม่เกี่ยวกับวิธีการเรียนรู้ที่ปรับปรุงแล้วสำหรับปัญหาฟิสิกส์

ตัวอย่างล่วงหน้า

• บทถัดไปจะกล่าวถึงวิธีอนุมานการไหลของของไหลรอบ airfoil และการประเมินความไม่แน่นอนของการคาดการณ์
• อธิบายวิธีฝึกเครือข่ายโดยใช้สมการของแบบจำลองเป็น residual และวิธีใช้ differentiable simulation เพื่อปรับปรุงข้อจำกัดของ residual เหล่านี้
• กล่าวถึงวิธีโต้ตอบกับ simulator ทั้งระบบอย่างใกล้ชิดยิ่งขึ้นเพื่อแก้ปัญหา inverse problem
• ให้ความสำคัญกับการย้อนกลับในขั้นตอนอัปเดต และอธิบายว่าข้อมูลลำดับสูงสามารถใช้เพื่อเร่งความเร็วการลู่เข้าและทำให้ได้ neural network ที่แม่นยำยิ่งขึ้นอย่างไร

โค้ดที่รันได้

• สามารถใช้ Jupyter Notebook เพื่อรันตัวอย่างโค้ดทั้งหมดได้ทันทีในเบราว์เซอร์
• สามารถทดลองรันโค้ดตัวอย่างได้ผ่านลิงก์ภายในเอกสาร

ความคิดเห็นและข้อเสนอแนะ

• หนังสือเล่มนี้ได้รับการดูแลโดยกลุ่ม Physics-based Simulation ของ TUM
• หากมีความคิดเห็นหรือพบข้อผิดพลาด สามารถติดต่อทางอีเมลได้
• ขณะนี้มีการดูแลชุดลิงก์รวมงานวิจัยล่าสุดด้วย

คำขอบคุณ

• โครงการนี้เกิดขึ้นได้ด้วยความช่วยเหลือจากผู้คนมากมาย
• ขอขอบคุณผู้มีส่วนร่วมทุกคน

การอ้างอิง

• หากหนังสือเล่มนี้มีประโยชน์ โปรดอ้างอิงดังนี้:

  @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}
  }
  

สรุปโดย GN⁺

• บทความนี้แนะนำวิธีการที่ผสานการจำลองทางฟิสิกส์เข้ากับ deep learning
• มีตัวอย่างโค้ดที่สามารถลงมือปฏิบัติได้ผ่าน Jupyter Notebook เพื่อช่วยในการเรียนรู้
• ครอบคลุมหัวข้อหลากหลาย เช่น physical loss constraints, differentiable simulation และ reinforcement learning
• แนวทาง Physics-based Deep Learning (PBDL) สามารถขยายความเป็นไปได้ของการจำลองด้วยคอมพิวเตอร์ได้อย่างมาก