PINN

Les inventeurs des PINN les définissent comme étant “des réseaux de neurones entraînés pour résoudre des tâches d’apprentissage supervisé tout en respectant les lois de la physique décrites par des équations aux dérivées partielles non linéaires générales”.

En effet, les algorithmes ne prennent pas nécessairement en compte les principes physiques qui gouvernent les systèmes auxquels ils sont appliqués. Pourtant, le comportement de ces systèmes dépend de différentes disciplines (comme la mécanique ou la thermodynamique) ayant chacune leurs propres lois et modèles, qui constituent une source d’informations précieuses.

En conséquence, même les techniques les plus avancées de machine learning sont parfois peu efficaces pour résoudre des problèmes scientifiques et d’ingénierie complexes.

L’idée des PINN est donc “d’encoder” les lois de la physique et les connaissances scientifiques dans les algorithmes d’apprentissage pour les rendre plus robustes et performants.
Selon leurs inventeurs, l’ajout de ces informations cruciales peut restreindre le champ des solutions possibles, ce qui permettrait aux algorithmes de s’orienter plus rapidement vers la bonne solution et de mieux se généraliser, c’est-à-dire fonctionner correctement dans le monde réel, avec des données qu’ils n’ont jamais vues.

Les PINN intéressent le monde de la recherche, dans une variété de domaines comme la climatologie, la sismologie ou la science des matériaux.

Cette approche intéresse aussi l’industrie. Par exemple, pour créer le jumeau numérique d’un avion, le logiciel de simulation utilisant des PINN prendra en compte tous les phénomènes physiques à l’œuvre ainsi que leurs interactions. Il intégrera donc, d’une part, les règles d’aérodynamique et de mécanique qui font voler l’avion, et, d’autre part, les données générées tout au long de son cycle de vie.