[Probabilidad-Estadistica-Seminario] Empieza mañana: Seminario PINNs: Physics Informed Neural Networks

[Maine Fariello]

Buenas, va aviso medio sobre el pucho el aviso, pero quizás a alquien le
interese.


Para algunes es recordatorio para otres tal vez recién se enteran, este
semestre coordinaremos un seminario (créditos para posgrado) sobre PINNs
«Physics Informed Neural Networks».

Va a ser los viernes a las 8:00 por zoom (entre 60 y 90 minutos). Empezamos
mañana viernes 16 de agosto, 8:00 horas, con una reunión inicial para
identificar interesados en participar y repartir temas/papers.

El zoom será fijo en https://salavirtual-udelar.zoom.us/j/87529917022

Abajo la descripción del seminario y más detalles. Los esperamos.

Saludos,

-- Federico Lecumberry


---------- Forwarded message ---------
From: Pablo Monzón <monzon en fing.edu.uy>
Date: Wed, Aug 14, 2024 at 9:09 AM
Subject: Seminario PINNs
To: todos_iie <todos_iie en fing.edu.uy>


Hola,

con Federico Lecumberry estaremos coordinando un seminario sobre Redes
neuronales informadas por física, enfocándonos en posibles aplicaciones a
procesamiento de imágenes y control, pero abiertos a todo tipo de
aplicaciones!!

Reunión inicial: *viernes 16 de agosto, 8:00 horas*, a través del siguiente
enlace:

https://salavirtual-udelar.zoom.us/j/87529917022

Saludos,

Fefo y Pablo

-----------------------------------------------

Descripción

Se propone realizar una lectura dirigida de seis semanas de duración, que
incluye una reunión de discusión semanal con docentes.

Se asignará material de lectura semanal basado en artículos de interés de
los estudiantes expositores. Se definirá un conjunto de artículos base de
donde seleccionar, aunque se acepta que los participantes propongan nuevos
contenidos.

Los artículos base son los que se encuentran en las referencias que siguen.
Metodología y evaluación

Las lecturas seguirán el formato de un seminario donde los estudiantes
interesados preparan y presentan artículos previamente acordados. Para la
aprobación se tendrá en cuenta la presentación de los temas, las
diapositivas preparadas y utilizadas que deberán ser entregadas, y la
participación en las charlas.
Conocimientos recomendados

Aprendizaje automático.
Referencias

Antonelo, E.A., Camponogara, E., Seman, L.O., de Souza, E.R., Jordanou,
J.P., J.F. Hübner (2024), Physics-informed neural nets for control of
dynamical systems, Neurocomputing 579.

Brunton, S. L., & Kutz, J. N. (2022). Data-Driven Science and Engineering:
Machine Learning, Dynamical Systems, and Control (2nd ed.). Cambridge
University Press.
https://www.cambridge.org/highereducation/product/9781009089517/book

Burns, Z., & Liu, Z. (2023). Untrained, physics-informed neural networks
for structured illumination microscopy. Optics Express, 31(5), 8714.
https://doi.org/10.1364/OE.476781

Gupta, H., McCann, M. T., Donati, L., & Unser, M. (2021). CryoGAN: A New
Reconstruction Paradigm for Single-Particle Cryo-EM Via Deep Adversarial
Learning. IEEE Transactions on Computational Imaging, 7, 759–774.
https://doi.org/10.1109/TCI.2021.3096491

Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed
neural networks: A deep learning framework for solving forward and inverse
problems involving nonlinear partial differential equations. Journal of
Computational Physics, 378, 686–707.
https://doi.org/10.1016/j.jcp.2018.10.045

Thuerey, N., Holl, P., Mueller, M., Schnell, P., Trost, F., & Um, K.
(2021). Physics-based Deep Learning. WWW.
https://physicsbaseddeeplearning.org

Xypakis, E., De Turris, V., Gala, F., Ruocco, G., & Leonetti, M. (2023).
Physics-informed deep neural network for image denoising. Optics Express,
31(26), 43838. https://doi.org/10.1364/OE.504606

Ye, Z., Huang, Y., Zhang, J., Chen, Y., Ye, H., Ji, C., Jin, L., Gan, Y.,
Sun, Y., Tao, W., Han, Y., Liu, X., Chen, Y., Kuang, C., & Liu, W. (2024).
Universal and High-Fidelity Resolution Extending for Fluorescence
Microscopy Using a Single-Training Physics-Informed Sparse Neural Network.
Intelligent Computing, 3, 0082. https://doi.org/10.34133/icomputing.0082
Pablo Monzón
Instituto de Ingeniería Eléctrica
Facultad de Ingeniería
Universidad de la República
Montevideo - Uruguay
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://listas.cmat.edu.uy/pipermail/seminario-probabilidad-estadistica/attachments/20240815/dbd25093/attachment-0001.html>