Solution de réseau neuronal profond de l'équation électronique Schrödinger

Cette séance de cours couvre l'application de réseaux neuraux profonds pour résoudre l'équation électronique Schrödinger, en mettant l'accent sur les approches variationnelles, les déterminants Slater, les effets de corrélation, les fonctions de formation et les énergies d'état fondamental de divers systèmes. Il examine les défis de l'intégration de l'antisymétrie, des conditions de cusp, et des effets de corrélation forts dans la fonction d'onde ansatz. La méthodologie de formation, les études de systèmes, y compris les chaînes d'hydrure de lithium et d'hydrogène, et la comparaison de précision avec les méthodes traditionnelles sont également présentées. La séance de cours conclut en soulignant l'efficacité computationnelle et la complémentarité des approches du réseau neuronal avec les théories établies de la physique de nombreux corps.

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 (201)

Concepts associés (92)

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.

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Réseau de neurones à propagation avant

Un réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.

Réseau neuronal convolutif

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Types of artificial neural networks

There are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.

Séance de questions et réponses : Détails de l'examen écrit et méthodes de structure électronique CH-353: Introduction to electronic structure methods

Couvre les détails de l'examen écrit et les méthodes de structure électronique pour la chimie computationnelle.

Principe de variation en mécanique quantique PHYS-754: Lecture series on scientific machine learning

Plonge dans le principe de variation en mécanique quantique et l'application des réseaux de neurones profonds pour des solutions système complexes.

Comprendre l'apprentissage automatique : des modèles parfaitement solubles

Explore la mécanique statistique de l'apprentissage, en mettant l'accent sur les mystères des réseaux neuronaux et les défis informatiques.

Réseaux neuronaux convolutionnels : fondamentaux ME-390: Foundations of artificial intelligence

Couvre les bases des réseaux neuronaux convolutionnels, y compris l'optimisation de la formation, la structure des couches et les pièges potentiels des statistiques sommaires.

Réseaux neuronaux convolutionnels MATH-412: Statistical machine learning

Explore les réseaux neuronaux convolutifs, couvrant la convolution, la corrélation croisée, la mise en commun maximale, la structure des couches et des exemples tels que LeNet5 et AlexNet.