Simulation des grandes structures de la turbulenceLa simulation des grandes structures de la turbulence (SGS ou en anglais LES pour Large Eddy Simulation) est une méthode utilisée en modélisation de la turbulence. Elle consiste à filtrer les petites échelles qui sont modélisées et en calculant directement les grandes échelles de la cascade turbulente. Cette méthode a été introduite par Joseph Smagorinsky en 1963 et utilisée pour la première fois par James W. Deardoff en 1970. Elle permet de calculer un écoulement turbulent en capturant les grandes échelles pour un coût raisonnable.
Physical neural networkA physical neural network is a type of artificial neural network in which an electrically adjustable material is used to emulate the function of a neural synapse or a higher-order (dendritic) neuron model. "Physical" neural network is used to emphasize the reliance on physical hardware used to emulate neurons as opposed to software-based approaches. More generally the term is applicable to other artificial neural networks in which a memristor or other electrically adjustable resistance material is used to emulate a neural synapse.
Apprentissage superviséL'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
Dynamique moléculaireLa dynamique moléculaire est une technique de simulation numérique permettant de modéliser l'évolution d'un système de particules au cours du temps. Elle est particulièrement utilisée en sciences des matériaux et pour l'étude des molécules organiques, des protéines, de la matière molle et des macromolécules. En pratique, la dynamique moléculaire consiste à simuler le mouvement d'un ensemble de quelques dizaines à quelques milliers de particules dans un certain environnement (température, pression, champ électromagnétique, conditions aux limites.
SolitonUn soliton est une onde solitaire qui se propage sans se déformer dans un milieu non linéaire et dispersif. On en trouve dans de nombreux phénomènes physiques de même qu'ils sont la solution de nombreuses équations aux dérivées partielles non linéaires. thumb|Soliton hydrodynamique. Le phénomène associé a été observé pour la première fois en 1834 par l'Écossais John Scott Russell qui l'a observé initialement en se promenant le long d'un canal : il a suivi pendant plusieurs kilomètres une vague remontant le courant qui ne semblait pas vouloir faiblir.
Conservation de la masseLa conservation de la masse (ou de Lavoisier) est une loi fondamentale de la chimie et de la physique. Elle indique non seulement qu'au cours de toute expérience, y compris si elle implique une transformation chimique, la masse se conserve, mais aussi que le nombre d'éléments de chaque espèce chimique se conserve (cette loi ne s'applique pas à l'échelle nucléaire : voir défaut de masse). Comme toute loi de conservation elle s'exprime par une équation de conservation.
DonnéeUne donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.
Model selectionModel selection is the task of selecting a model from among various candidates on the basis of performance criterion to choose the best one. In the context of learning, this may be the selection of a statistical model from a set of candidate models, given data. In the simplest cases, a pre-existing set of data is considered. However, the task can also involve the design of experiments such that the data collected is well-suited to the problem of model selection.
Problèmes du prix du millénaireLes problèmes du prix du millénaire sont un ensemble de sept défis mathématiques réputés insurmontables, posés par l'Institut de mathématiques Clay en . La résolution de chacun des problèmes est dotée d'un prix d'un million de dollars américains offert par l'institut Clay. En , six des sept problèmes demeurent non résolus. Chacun des défis consiste à : soit démontrer, soit infirmer, une hypothèse ou une conjecture qui n'a été ni confirmée ni rejetée faute d'une démonstration mathématique suffisamment rigoureuse ; soit définir et expliciter l'ensemble des solutions de certaines équations.
Problème inversevignette|une somme de plusieurs nombres donne le nombre 27, mais peut-on les deviner à partir de 27 ? En science, un problème inverse est une situation dans laquelle on tente de déterminer les causes d'un phénomène à partir des observations expérimentales de ses effets. Par exemple, en sismologie, la localisation de l'origine d'un tremblement de terre à partir de mesures faites par plusieurs stations sismiques réparties sur la surface du globe terrestre est un problème inverse.
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
