Machine learning through geometric mechanics and thermodynamics
Strojové učení skrze geometrickou mechaniku a termodynamiku
dizertační práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/191805/thumbnail.png?sequence=9&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/191805Identifikátory
SIS: 221786
Kolekce
- Kvalifikační práce [10926]
Autor
Vedoucí práce
Konzultant práce
Tůma, Karel
Klika, Václav
Grajciar, Lukáš
Oponent práce
Monmarché, Pierre
Maršálek, Ondřej
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Matematické a počítačové modelování
Katedra / ústav / klinika
Matematický ústav UK
Datum obhajoby
24. 6. 2024
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Prospěl/a
Klíčová slova (česky)
strojové učení, termodynamika, mechanika, GENERIC, redukceKlíčová slova (anglicky)
machine learning, thermodynamics, mechanics, GENERIC, reduction30. prosinec 2023 Tato práce zkoumá nové přístupy k učení fyzikálních modelů, vynucování vazeb v rovnicích a k optimalizaci penalizačních funkcí závislých na trajektorii. Nedávné pokroky ve výzkumu hlubokého učení a umělé inteligence jsou v této práci propojeny se zavedenými poznatky o dynamických a chemických systémech a otevírají tak nové možnosti mezioborového propojení. Tato práce prezentuje významný příspěvek k simulačním technikám, které využívají automatickou diferenciaci pro propagaci dynamiky, a ukazuje nejen jejich slibné využití v praxi, ale zároveň formuluje nové teoretické výsledky z oblasti o chování se gra- dientů v evolucích kontrolovaných neuronovými sítěmi. Všechny nové nástroje jsou důsledně testovány na příkladech z fyziky a chemie, čímž vytvářejí potenciál pro jejich další aplikaci v praxi. 1
30. prosinec 2023 This thesis studies novel approaches to learning of physical models, incorporat- ing constraints and optimizing path dependent loss functions. Recent advances in deep learning and artificial intelligence are connected with established knowl- edge about dynamical and chemical systems, offering new synergies and improv- ing upon existing methodologies. We present significant contributions to sim- ulation techniques that utilize automatic differentiation to propagate through the dynamics, showing not only their promising use case but also formulating new theoretical results about the gradient behavior in long evolutions controlled by neural networks. All the tools are carefully tested and evaluated on exam- ples from physics and chemistry, thus proposing and promoting their further applications. 1