Apprentissage automatique pour les systèmes à échelle atomique

Cette séance de cours de l'instructeur fournit un aperçu de l'application de l'apprentissage automatique aux systèmes à l'échelle atomique. En commençant par une introduction historique à la modélisation atomistique, la séance de cours se penche sur la transition entre les descriptions empiriques et quantitatives de la matière. Linstructeur explique les défis de la modélisation de la physique émergente à partir des premiers principes et introduit le concept dutiliser lapprentissage automatique comme un pont pour améliorer la précision dans léchantillonnage des systèmes atomiques. La séance de cours couvre l'importance de la symétrie dans la cartographie des caractéristiques, la construction de caractéristiques symétriques pour les structures atomiques et l'intégration de rotations pour créer des descripteurs invariants en rotation. L'instructeur discute également de l'utilisation de modèles de régression linéaire pour approximer les fonctions d'énergie potentielle, mettant en évidence la convergence de l'apprentissage automatique et des approches inspirées de la physique.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (35)

Concepts associés (19)

PHYS-754: Lecture series on scientific machine learning

This lecture presents ongoing work on how scientific questions can be tackled using machine learning. Machine learning enables extracting knowledge from data computationally and in an automatized way.

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Régression non linéaire

Une régression non linéaire consiste à ajuster un modèle, en général non linéaire, y = ƒa1, ..., am(x) pour un ensemble de valeurs (xi, yi)1 ≤ i ≤ n. Les variables xi et yi peuvent être des scalaires ou des vecteurs. Par « ajuster », il faut comprendre : déterminer les paramètres de la loi, (a1, ..., am), afin de minimiser S = ||ri||, avec : ri = yi - ƒa1, ..., am(xi). ||...|| est une norme. On utilise en général la norme euclidienne, ou norme l2 ; on parle alors de méthode des moindres carrés.

Bayesian linear regression

Bayesian linear regression is a type of conditional modeling in which the mean of one variable is described by a linear combination of other variables, with the goal of obtaining the posterior probability of the regression coefficients (as well as other parameters describing the distribution of the regressand) and ultimately allowing the out-of-sample prediction of the regressand (often labelled ) conditional on observed values of the regressors (usually ).

Segmented regression

Segmented regression, also known as piecewise regression or broken-stick regression, is a method in regression analysis in which the independent variable is partitioned into intervals and a separate line segment is fit to each interval. Segmented regression analysis can also be performed on multivariate data by partitioning the various independent variables. Segmented regression is useful when the independent variables, clustered into different groups, exhibit different relationships between the variables in these regions.

Symétrie

La symétrie est une propriété d'un système : c'est lorsque deux parties sont semblables. L'exemple le plus connu est la symétrie en géométrie. De manière générale, un système est symétrique quand on peut permuter ses éléments en laissant sa forme inchangée. Le concept d'automorphisme permet de préciser cette définition. Un papillon, par exemple, est symétrique parce qu'on peut permuter tous les points de la moitié gauche de son corps avec tous les points de la moitié droite sans que son apparence soit modifiée.

L'apprentissage automatique en dynamique moléculaire PHYS-754: Lecture series on scientific machine learning

Explore l'application de l'apprentissage automatique dans la dynamique moléculaire et les matériaux, en mettant l'accent sur la création de caractéristiques significatives et l'importance de la généralisabilité.

Apprentissage supervisé : Régression linéaire BIO-322: Introduction to machine learning for bioengineers

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Régression linéaire : Fondements MOOC: IoT Systems and Industrial Applications with Design Thinking

Couvre les bases de la régression linéaire, en se concentrant sur la minimisation des erreurs et la prédiction des sorties.

Régression linéaire : Inférence statistique et régularisation PHYS-467: Machine learning for physicists

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Régression linéaire : bases et applications CS-233(a): Introduction to machine learning (BA3)

Couvre les bases de la régression linéaire, de la formation aux applications du monde réel et aux scénarios multi-sorties.