Noteboook and Data for course on IA for SM
Part 0. A very good introduction by Prof. Sid Kumar
Machine Learning Applications in Material Science - Part 1
Machine Learning Applications in Material Science - Part 2
Notebooks will come
Verified on colab
Slides P1 Part 1. Gaussian processes Regression
Introduction to Gaussian processes, mathematical foundations in 30’ Exercise: How can I program my GPR 30’
Beware of noisy data when using sigma_n as noise !
Slides P23 Part 2. Gaussian processes versus neural networks
Inspired by Prof. Miguel Bessa Imechanica Large-scale illustration, hyper parameter tuning, BO in 30’ Exercise: How do I use toolboxes on more complex examples 45’
Part 3. Physics Informed Neural Networks {PINN}
What is a PINN knowing a NN? in 15' Exercise: How to Train a PINN to simulate a dynamic system (damped harmonic oscillator) in 30’s
Slides P4 Part 4. Variational Autoencoder (VAE) for Topology Optimization and Convolutional VAE
- The basics of variational autoencoders
- How to design and train a VAE model
- How to implement a Convolutional VAE for topology optimization tasks
- Best practices for loss functions and optimization in generative models
in french
Part 1. Régression par processus gaussiens
Introduction aux processus gaussiens, fondements mathématiques en 30’ Exercice: Je programme mon GPR 30’ Attention bruiter les données quand on utilise sigma_n comme bruit
Part 2. processus gaussiens versus réseaux de neurones
Illustration en grande dimension, hyper parameter tuning, BO en 30’ Exercice: J’utilise des toolboxes sur des exemples plus complexes 45’
Part 3. Physics Informed Neural Networks {PINN}
Qu’est ce qu’un PINN connaissant un NN? en 15’ Exercice: Entrainer un PINN pour simuler le système (oscillateur harmonique amorti) en 30’
Bonus: Entrainer un PINN pour inverser les paramètres sous-jacents
Aknowledgments in the notebooks
Part 4. Auto-encodeur Variationnel (VAE) pour l'optimisation topologique et VAE Convolutionnel
- Les bases des auto-encodeurs variationnels
- Comment concevoir et entraîner un modèle VAE
- Comment implémenter un VAE convolutionnel pour des tâches d'optimisation topologique
- Les bonnes pratiques concernant les fonctions de perte et l'optimisation dans les modèles génératifs
Online references
https://neurips.cc/virtual/2021/tutorial/21890
http://www.infinitecuriosity.org/vizgp/
https://distill.pub/2019/visual-exploration-gaussian-processes/