Buku Deep Learning Berbasis Fisika

Deep Learning Berbasis Fisika

Pengantar

• Menyediakan pengantar yang praktis dan komprehensif tentang deep learning yang terkait dengan simulasi fisika
• Disediakan dalam bentuk Jupyter Notebook, sehingga contoh kode bisa langsung dijalankan dan dimodifikasi
• Selain pembelajaran terawasi standar dari data, juga membahas kendala loss fisik, algoritme pembelajaran yang digabungkan dengan simulasi terdiferensiasi, algoritme pembelajaran yang disesuaikan untuk masalah fisika, reinforcement learning, dan pemodelan ketidakpastian

Konten baru

• Pada v0.2, ditambahkan bagian yang diperluas tentang integrasi DP ke pelatihan NN serta bab baru tentang metode pembelajaran yang ditingkatkan untuk masalah fisika

Pratinjau

• Bab berikutnya membahas cara menginferensikan aliran fluida di sekitar airfoil dan memperkirakan ketidakpastian prediksi
• Menjelaskan cara melatih jaringan dengan menggunakan persamaan model sebagai residual, serta meningkatkan kendala residual ini dengan menggunakan simulasi terdiferensiasi
• Membahas cara berinteraksi lebih erat dengan seluruh simulator untuk menyelesaikan masalah invers
• Menyoroti pentingnya pembalikan pada tahap pembaruan, dan menjelaskan bagaimana informasi orde tinggi dapat digunakan untuk mempercepat konvergensi dan memperoleh jaringan saraf yang lebih akurat

Kode yang dapat dijalankan

• Dengan menggunakan Jupyter Notebook, semua contoh kode dapat langsung dijalankan di browser
• Melalui tautan di dalam dokumen, Anda dapat mencoba menjalankan kode contoh

Pendapat dan saran

• Buku ini dikelola oleh Physics-based Simulation Group di TUM
• Jika ada masukan atau menemukan kesalahan, dapat menghubungi melalui email
• Kumpulan tautan ke makalah penelitian terbaru juga sedang dikelola

Ucapan terima kasih

• Proyek ini dapat terwujud berkat bantuan banyak orang
• Menyampaikan terima kasih kepada para kontributor

Sitasi

• Jika buku ini bermanfaat, mohon sitasi sebagai berikut:

  @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}
  }
  

Ringkasan GN⁺

• Tulisan ini memperkenalkan metodologi yang menggabungkan simulasi fisika dan deep learning
• Membantu pembelajaran dengan menyediakan contoh kode yang dapat dipraktikkan melalui Jupyter Notebook
• Mencakup berbagai topik seperti kendala loss fisik, simulasi terdiferensiasi, dan reinforcement learning
• Pendekatan Physics-based Deep Learning (PBDL) dapat secara signifikan memperluas kemungkinan simulasi komputer