Séance de cours

Markov Chain Monte Carlo: Équilibre détaillé et réseaux neuronaux

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

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. We will learn on examples how this is influencing the v ...

Description

Cette séance de cours présente la chaîne de Markov Monte Carlo comme une stratégie pour générer des échantillons dans une chaîne, expliquant les probabilités de transition et la condition d'équilibre détaillée. Il se penche ensuite sur l'application des réseaux neuronaux dans la représentation des états quantiques, en discutant de la normalisation des fonctions d'onde et des états quantiques autorégressifs. L'instructeur présente l'utilisation des réseaux neuronaux dans l'approximation des états fondamentaux des systèmes de spins frustrés, soulignant les améliorations de la précision au fil du temps et l'importance des symétries dans l'amélioration des résultats.

Enseignant·e·s (10)

Paolo De Los Rios

Enseignement et PhD Doctorant·es actuel·les María Li López Bautista, Subhasis Dehury, Lisa Gennai A dirigé les thèses EPFL de Giovanni Salvi, Thomas Petermann, David Gfeller, Cécile Caretta Cartozo, David Morton de Lachapelle, Carlo Maffi, Lucio Floretta, Salvatore Assenza, Duccio Malinverni, Alberto Stefano Sassi, Andrea Martini, Solange Flatt, Adélaïde Alice Mohr, Shiling Liang, Alexandra Shelest, Davide Cois A co-dirigé les thèses EPFL de Lorenzo Talamanca Cours EDCB seminar series BIOENG-606

Anne-Clémence Corminboeuf

Enseignement et PhD Doctorant·es actuel·les Liam Oliver Marsh, Pratham Pushparaj Deshmukh, Roel Christiaan M Raike, Thanapat Worakul, Osvaldo Hernandez Cuellar, Juliette Veronique Schleicher, Yannick Calvino Alonso, Sara Bassetta, Yuri Cho, Kelian Dietmar Marc Gaedecke, Guoyuan Liu A dirigé les thèses EPFL de Fabrice Avaltroni, Daniel Filipe Jana, Stephan Niklaus Steinmann, Jérôme Florian Gonthier, Riccardo Petraglia, Antonio Prlj, Laurent Alexis Clément Vannay, Alberto Fabrizio, Kun-Han Lin, Boodsarin Sa

Philippe Schwaller

Michele Ceriotti

Michele Ceriotti received his Ph.D. in Physics from ETH Zürich in 2010. He spent three years in Oxford as a Junior Research Fellow at Merton College. Since 2013 he leads the laboratory for Computational Science and Modeling in the Institute of Materials at EPFL. His research revolves around the atomic-scale modelling of materials, based on the sampling of quantum and thermal fluctuations and on the use of machine learning to predict and rationalize structure-property relations. He has been awarded the IBM Research Forschungspreis in 2010, the Volker Heine Young Investigator Award in 2013, an ERC Starting Grant in 2016, and the IUPAP C10 Young Scientist Prize in 2018.

David Richard Harvey

Enseignement et PhD Doctorant·es actuel·les Ethan Daniel Tregidga, Felix Francisco Vecchi Cours Lecture series on scientific machine learning PHYS-754 Ce cours présente des travaux sur la façon dont les questions scientifiques peuvent être abordées à l'aide de l'apprentissage automatique. L'apprentissage automatique permet d'extraire des connaissances à partir de données de manière automatisée. Nous apprendrons à partir d'exemples concrets.

Source officielle

Concepts associés (32)

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.

Intrication quantique

En mécanique quantique, l'intrication quantique, ou enchevêtrement quantique, est un phénomène dans lequel deux particules (ou groupes de particules) forment un système lié, et présentent des états quantiques dépendant l'un de l'autre quelle que soit la distance qui les sépare. Un tel état est dit « intriqué » ou « enchevêtré », parce qu'il existe des corrélations entre les propriétés physiques observées de ces particules distinctes. En effet, le théorème de Bell démontre que l'intrication donne lieu à des actions non locales.

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.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Échantillonnage (statistiques)

thumb|Exemple d'échantillonnage aléatoire En statistique, l'échantillonnage désigne les méthodes de sélection d'un sous-ensemble d'individus (un échantillon) à l'intérieur d'une population pour estimer les caractéristiques de l'ensemble de la population. Cette méthode présente plusieurs avantages : une étude restreinte sur une partie de la population, un moindre coût, une collecte des données plus rapide que si l'étude avait été réalisé sur l'ensemble de la population, la réalisation de contrôles destructifs Les résultats obtenus constituent un échantillon.

Afficher plus

Séances de cours associées (64)

Théorie du MCMC

Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.

Markov Chain Monte Carlo: Échantillonnage et convergence

Explore Markov Chain Monte Carlo pour l'échantillonnage des distributions haute dimension et l'optimisation des fonctions à l'aide de l'algorithme Metropolis-Hastings.

Réseaux neuronaux génératifs : Échantillonnage et formation

Couvre les réseaux neuronaux génératifs, en se concentrant sur l'échantillonnage, l'entraînement et l'ajout de bruit.

Représentations et traitement des données

Explore les représentations de données, le surajustement, la sélection des modèles, la validation croisée et les défis de données déséquilibrés.

Chaînes et algorithmes de Markov

Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.

Afficher plus

Concepts associés (32)

Réseau neuronal convolutif

Intrication quantique

Types of artificial neural networks

Réseau de neurones artificiels

Échantillonnage (statistiques)

Afficher plus