Con Pablo Monzón estaremos coordinando un Seminario sobre «Redes Neuronales Informadas por Física» (PINN), enfocándonos en posibles aplicaciones a procesamiento de imágenes y control, pero abiertos a todo tipo de aplicaciones!!
La reunión inicial es el viernes 16 de agosto a las 08:00 horas, a través del siguiente enlace: https://salavirtual-udelar.zoom.us/j/87529917022
Saludos,
Fefo y Pablo
-----------------------------------------------
Descripción
Se propone realizar una lectura dirigida de seis semanas de duración, que incluye una reunión de discusión semanal con docentes.
Se asignará material de lectura semanal basado en artículos de interés de los estudiantes expositores. Se definirá un conjunto de artículos base de donde seleccionar, aunque se acepta que los participantes propongan nuevos contenidos.
Los artículos base son los que se encuentran en las referencias que siguen y para nada representan el universo de posibles temas.
Metodología y evaluación: Las lecturas seguirán el formato de un seminario donde los estudiantes interesados preparan y presentan artículos previamente acordados. Para la aprobación se tendrá en cuenta la presentación de los temas, las diapositivas preparadas y utilizadas que deberán ser entregadas, y la participación en las charlas.
Conocimientos recomendados: Aprendizaje automático.
Referencias
- Antonelo, E.A., Camponogara, E., Seman, L.O., de Souza, E.R., Jordanou, J.P., J.F. Hübner (2024), Physics-informed neural nets for control of dynamical systems, Neurocomputing 579.
- Brunton, S. L., & Kutz, J. N. (2022). Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control (2nd ed.). Cambridge University Press. https://www.cambridge.org/highereducation/product/9781009089517/book
- Burns, Z., & Liu, Z. (2023). Untrained, physics-informed neural networks for structured illumination microscopy. Optics Express, 31(5), 8714. https://doi.org/10.1364/OE.476781
- Gupta, H., McCann, M. T., Donati, L., & Unser, M. (2021). CryoGAN: A New Reconstruction Paradigm for Single-Particle Cryo-EM Via Deep Adversarial Learning. IEEE Transactions on Computational Imaging, 7, 759–774. https://doi.org/10.1109/TCI.2021.3096491
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
- Thuerey, N., Holl, P., Mueller, M., Schnell, P., Trost, F., & Um, K. (2021). Physics-based Deep Learning. WWW. https://physicsbaseddeeplearning.org
- Xypakis, E., De Turris, V., Gala, F., Ruocco, G., & Leonetti, M. (2023). Physics-informed deep neural network for image denoising. Optics Express, 31(26), 43838. https://doi.org/10.1364/OE.504606
- Ye, Z., Huang, Y., Zhang, J., Chen, Y., Ye, H., Ji, C., Jin, L., Gan, Y., Sun, Y., Tao, W., Han, Y., Liu, X., Chen, Y., Kuang, C., & Liu, W. (2024). Universal and High-Fidelity Resolution Extending for Fluorescence Microscopy Using a Single-Training Physics-Informed Sparse Neural Network. Intelligent Computing, 3, 0082. https://doi.org/10.34133/icomputing.0082