물리 기반 딥러닝 서적

 (physicsbaseddeeplearning.org)
1P by GN⁺ | ★ favorite | 댓글 1개
  • Physics-based Deep Learning Book v0.3는 물리 시뮬레이션과 딥러닝을 함께 다루는 디지털 서적으로, 실행 가능한 예제를 통해 수치해석과 신경망의 결합 방식을 학습하게 함
  • GenAI edition에서는 생성 모델링 비중이 커졌고, denoising, flow-matching, autoregressive learning, 물리 통합 제약, diffusion 기반 graph network를 포함함
  • 학습 범위는 지도학습에서 시작해 물리 손실 제약, 미분 가능한 시뮬레이션, diffusion 접근, 강화학습, 신경망 아키텍처 선택까지 확장됨
  • 예고된 장들은 airfoil 주변 유동 예측, 방정식 residual 기반 학습, inverse problem, 시뮬레이터를 학습 루프에 넣는 방식처럼 실제 물리 문제에 가까운 사례를 다룸
  • 모든 코드 예제는 브라우저에서 실행·수정 가능한 Jupyter Notebook 중심이라, 개념을 읽는 데서 그치지 않고 바로 실험해볼 수 있음

물리 시뮬레이션을 위한 딥러닝 학습서

  • Physics-based Deep Learning Book은 물리 시뮬레이션 영역의 딥러닝을 다루는 실습형 종합 가이드임
  • 이 문서는 이론 설명과 대화형 Jupyter Notebook을 연결해, 각 개념을 바로 실행하며 확인할 수 있게 구성됨
  • 다루는 주요 주제는 다음과 같음
    • 전통적 지도학습
    • 물리 loss-constraints
    • 미분 가능한 시뮬레이션
    • 확률적 생성 AI를 위한 diffusion 기반 접근
    • 강화학습
    • 고급 신경망 아키텍처
  • v0.3인 GenAI edition의 주요 추가점은 생성 모델링 장임
    • denoising
    • flow-matching
    • autoregressive learning
    • physics-integrated constraints
    • diffusion-based graph networks
  • 물리 시뮬레이션을 위해 설계된 neural architectures 전용 섹션도 추가됐고, 모든 코드 예제는 최신 프레임워크를 활용하도록 업데이트됨

예고된 장과 실습 방식

  • 이후 장에서는 diffusion modeling으로 airfoil 주변 유체 흐름을 예측하는 방법을 다룸
    • 이 방식은 기존 시뮬레이터를 대체하고 능가하는 확률적 surrogate model을 제공함
  • 모델 방정식을 residual로 사용해 네트워크가 해를 표현하도록 학습시키는 방법도 포함됨
  • 전체 시뮬레이터와 더 긴밀히 상호작용해 inverse problem을 푸는 방법을 다룸
  • 적절한 네트워크 아키텍처 선택도 주요 주제임
    • global interaction과 local interaction
    • continuous representation과 discrete representation
    • structured graph mesh와 unstructured graph mesh
  • PBDL 접근들은 물리 모델을 딥러닝에 통합하는 강도가 점점 높아지는 순서로 소개됨
    • 각 접근의 장단점과 유용한 시나리오도 함께 다룸
  • 코드 예제는 브라우저에서 바로 실행할 수 있는 Jupyter Notebook 중심임
  • 이 책은 TUM의 Physics-based Simulation Group이 유지하며, 최근 연구 논문을 모은 링크 컬렉션도 함께 제공함

함께 보면 좋은 글 β

GN⁺   [-]
Hacker News 의견들
답변달기