「Physics-based Deep Learning」は物理シミュレーションのコンテキストにおける深層学習を、実践的かつ包括的に紹介したドキュメントである。
オンラインで読める完全版があり、GitHubでソースコードも公開されている。
すぐに始められるように、すべてのトピックにはJupyter Notebook形式でハンズオンのコード例が用意されている。
スクリーンショット: Physics-based Deep Learning
データからの標準的な教師付き学習だけでなく、物理的な損失制約、微分可能なシミュレーションを用いたより緊密に結合した学習アルゴリズム、さらに強化学習や不確実性モデリングについても含まれている。
これらの手法は、コンピュータ・シミュレーションで実現できることを根本的に変える大きな可能性を秘めている。
このドキュメントの重要な点は、以下の通り。
- 偏微分方程式(PDE)を解くために深層学習技術をどのように使用するか
- それを既存の物理学の知識とどう組み合わせるか
- 数値計算方法に関する知識を捨てずに
焦点については、以下の通り。
- フィールドベースのシミュレーション(ラグランジュ法についてはあまり触れてない)
- 深層学習との組み合わせ(他にも面白いML技術がたくさんあるが、ここでは触れない)
- 展望として残っている実験(合成データを実際の観測データに置き換えるなど)
スクリーンショット: Physics-based Deep Learning
「Physics-based Deep Learning」は、物理的なモデリングや数値シミュレーションと、人工ニューラルネットワークに基づく手法の組み合わせを意味している。
その方向性は、非常に活発で、急速に成長しているエキサイティングな研究分野である。
目的は、私たちが自由に使える強力な数値技術をすべて構築し、可能な限り利用することにある。
このドキュメントの中心的な目標は、データ中心の視点と物理的なシミュレーションを調和させることだ。