Cerfacs Entrez dans le monde de la haute performance...

Le Cerfacs est certifié Qualiopi pour ses actions de formation

Durée : 5 jours / 35 heures

Session de formation en présentiel

Descriptif

Cette formation permet aux participants de comprendre, et mettre en pratique, les outils de l'Intelligence Artificielle sur des tâches de régression ou de contrôle optimal en physique. Les notions fondamentales liées à l'IA sont tout d'abord introduites de façon théorique, puis systématiquement implémentées dans un notebook python afin de les manipuler pour mieux les comprendre, via les librairies ScikitLearn, Keras/Tensorflow et DeepXDE. Quelques grandes méthodes du Deep Learning et du Deep Reinforcement Learning seront abordées (MLP, CNN, auto-encodeurs, VAE, PINN etc.), et tester sur des bases de données physiques (moteur fusée, équation de la chaleur instationnaire, mécanique du point). Les spécificités de l'IA appliquée à la physique seront également abordés (mesh, physics-informed network etc.)

Objectif de la formation

Mettre en œuvre les librairies open-source ScikitLearn, Keras/Tensorflow et DeepXDE pour faire l'apprentissage de réseaux de neurones sur des problèmes de régression ou de contrôle optimal en physique.

Objectifs pédagogiques

À l’issue de la formation, les participants sont capables de :

• comprendre les concepts fondamentaux de l'IA
• poser un problème d'apprentissage (régression/contrôle, fonction coût, choix des hyper-paramètres etc.)
• utiliser les librairies ScikitLearng et Keras/Tensorflow sur des problèmes d'apprentissage type régression, et DeepXDE pour les PINN et problèmes inverses.
• évaluer et tester un apprentissage d'un réseau de neurones

Modalités pédagogiques

La formation est une alternance d’exposés théoriques et de travaux pratiques. Un QCM permet l’évaluation finale. La salle de formation est équipée d’ordinateurs, le travail peut se faire en sous-groupe de deux personnes.

Formateur référent : Michaël BAUERHEIM

Public cible

Ce cours s'adresse à toute personne du domaine de la physique (ingénieurs, doctorants, post-doctorants, stagiaires) désirant manipuler des données avec les outils modernes de l'IA.

Prérequis

Afin de pouvoir suivre cette formation vous devez:

• être salarié d’une entreprise européenne, une attestation de l’employeur est demandée,
• être diplômé Bac + 5 ou plus
• connaître les bases du langage Python
• avoir des connaissances générales en physique et mathématiques
• avoir un niveau B2 sur l'échelle européenne CECRL car la formation peut avoir lieu en anglais ou en français selon l'auditoire.

Afin de s'assurer que les prérequis sont bien satisfaits, nous vous prions de bien vouloir répondre aux questionnaires suivants . Vous devez obtenir 75% de bonnes réponses pour vous inscrire à cette formation.

Questionnaire Python : https://forms.gle/nRmPPtK4RywbiCop7

Questionnaire physique et mathématique générale : https://forms.gle/rLeLyUE457Z7Pnxe8

Inscription

Je certifie avoir obtenu au moins 75% de bonnes réponses, je m’inscris

Limite d'inscription : 15 jours avant le début de chaque formation

Avant de vous inscrire, merci de nous signaler toutes contraintes particulières dont vous souhaiteriez nous faire part (horaires, santé, indisponibilité…) à l’adresse e-mail suivante : training@cerfacs.fr

Tarifs

Cette formation, financée dans le cadre du projet européen EuroCC2, est gratuite mais réservée aux salariés des entreprises membres de l’Union Européenne. Elle est normalement au prix catalogue de 2800 € HT.   Néanmoins, votre inscription est conditionnée au versement d’une caution de 200 Euros. Cette somme vous sera restituée en fin de formation si votre participation a bien été effective. Sinon, elle sera conservée en compensation du préjudice causé en laissant inutilement des personnes sur liste d’attente.

Programme

De 9h00 à 17h00 (1 heure de pause déjeuner à midi)

Jour 1

Introduction, problème de régression, overfitting/underfitting, train/validation/test, problème régularisé, initiation à ScikitLearn et application moteur fusée.

Jour 2

Introduction au deep learning, MLP, backpropagation, optimisation (SGD, RMSprop, ADAM), test MLP sur playground puis introduction et mise en place sur Keras/Tensorflow.

Jour 3

Introduction aux CNN, padding et résolution, auto-encodeur et VAE. Présentation générale de l'IA génératif. Mise en œuvre des CNN pour l'équation de la chaleur instationnaire.

Jour 4

Introduction des Physics-Informed Neural Network (PINN), théorie et backpropagation, initiation à la librairie DeepXDE. Application des PINN à l'équation de la chaleur instationnaire. Application de DeepXDE aux problèmes inverses.

Jour 5

Introduction à l'apprentissage par renforcement (RL), équation de Bellman, Q-learning, ouverture au RL en physique. Application du RL sur un problème simple de mécanique du point. Examen final (QCM) et séance de questions/réponses.

Evaluation des acquis

Un examen final aura lieu à la fin de la formation.