ANITI-DAML
ANITI – DAML (Université Fédérale de Toulouse MIP) – Novembre 2019
L’assimilation de données (AD) est une technique éprouvée de suivi d’un système dynamique par l’utilisation d’une représentation paramétrée de sa dynamique et d’observations physiques. Elle se présente traditionnellement dans un cadre Bayésien.
L’apprentissage machine profond (ML) supervisé permet de réaliser de la prédiction de label par ajustement de poids d’un réseau de neurones en utilisant des exemples d’entraînement.
La question centrale pour la chaire est : comment peut-on introduire une dynamique approchée dans les réseaux de Neurones ? Inversement, comment peut-on introduire de l’apprentissage profond en AD pour pouvoir se passer de la dynamique et obtenir de meilleurs algorithmes. Dans les deux cas, quelles sont les performances attendues ?
La chaire a pour but de proposer des algorithles d’hybridation en les validant sur des équations physiques représentatives d’équations réelles.