Johannes Brandstetter - AI4Science, Microsoft Research.

Bio : Johannes Brandstetter a effectué son doctorat en étudiant les désintégrations du boson de Higgs dans le cadre de l'expérience CMS au Grand collisionneur de hadrons du CERN. En 2018, il a rejoint le groupe de Sepp Hochreiter à Linz, en Autriche. En 2021, il devient PostDoc ELLIS dans le laboratoire de Max Welling à l'Université d'Amsterdam. Depuis 2022, il est chercheur principal au tout nouveau Microsoft Lab d'Amsterdam. Ses recherches actuelles portent sur l'apprentissage profond géométrique, la résolution d'EDP neuronales et les simulations scientifiques à grande échelle.

Titre : Is it the network or is it the data – which one is more important for large-scale neural PDE surrogates?

Résumé : les équations différentielles partielles (EDP) sont largement utilisées dans les sciences et l'ingénierie pour décrire la simulation de processus physiques interagissant et coévoluant dans le temps. En raison du coût de calcul élevé de leurs méthodes de résolution standard, les substituts neuronaux d'EDP sont devenus un sujet de recherche actif pour accélérer ces simulations. Dans cet exposé, nous abordons ces substituts sous deux angles différents. Tout d'abord, nous examinons de plus près les idées possibles pour intégrer au mieux la physique dans les substituts d'EDP neuronales. Ensuite, nous laissons parler les données et partons du principe que toute la physique se trouve dans les données et que le modèle doit être conçu de manière à en tirer parti. Enfin, nous comparons ces deux paradigmes l'un à l'autre et donnons un aperçu de la situation.