Modeling physical processes with deep learning : a dynamical systems approach - Archive ouverte HAL Access content directly
Theses Year : 2021

Modeling physical processes with deep learning : a dynamical systems approach

Modélisation de processus physique avec de l'apprentissage profond

(1)
1

Abstract

Deep Learning has emerged as a predominant tool for AI, and has already abundant applications in fields where data is abundant and access to prior knowledge is difficult. This is not necessarily the case for natural sciences, and in particular, for physical processes. Indeed, these have been the object of study since centuries, a vast amount of knowledge has been acquired, and elaborate algorithms and methods have been developped. Thus, this thesis has two main objectives. The first considers the study of the role that deep learning has to play in this vast ecosystem of knowledge, theory and tools. We will attempt to answer this general question through a concrete problem: the one of modelling complex physical processes, leveraging deep learning methods in order to make up for lacking prior knowledge. The second objective is somewhat its converse: it focuses on how perspectives, insights and tools from the field of study of physical processes and dynamical systems can be applied in the context of deep learning, in order to gain a better understanding and develop novel algorithms.
L'apprentissage profond s'impose comme un outil prédominant pour l'IA, avec de nombreuses applications fructueuses pour des taches où les données sont abondantes et l'accès aux connaissances préalables est difficile. Cependant ce n'est pas encore le cas dans le domaine des sciences naturelles, et encore moins pour l'étude des systèmes dynamiques. En effet, ceux-ci font l'objet d'études depuis des siècles, une quantité considérable de connaissances a ainsi été acquise, et des algorithmes et des méthodes ingénieux ont été développés. Cette thèse a donc deux objectifs principaux. Le premier concerne l'étude du rôle que l'apprentissage profond doit jouer dans ce vaste écosystème de connaissances, de théories et d'outils. Nous tenterons de répondre à cette question générale à travers un problème concret: la modélisation de processus physiques complexes à l'aide de l'apprentissage profond. Le deuxième objectif est en quelque sorte son contraire; il concerne l'analyse les algorithmes d'apprentissage profond à travers le prisme des systèmes dynamiques et des processus physiques, dans le but d'acquérir une meilleure compréhension et de développer de nouveaux algorithmes pour ce domaine.
Fichier principal
Vignette du fichier
BEZENAC_Emmanuel_de_2021.pdf (163.32 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03521354 , version 1 (16-12-2021)
tel-03521354 , version 2 (11-01-2022)

Identifiers

  • HAL Id : tel-03521354 , version 2

Cite

Emmanuel de Bézenac. Modeling physical processes with deep learning : a dynamical systems approach. Artificial Intelligence [cs.AI]. Sorbonne Université, 2021. English. ⟨NNT : 2021SORUS203⟩. ⟨tel-03521354v2⟩
241 View
4 Download

Share

Gmail Facebook Twitter LinkedIn More