physics-for-ai-recherche

name	physics-for-ai-recherche
description	Compétence en physique pour l'IA et ML suivie sur arXiv sous physics.*. Couvre la physique statistique pour l'IA, les réseaux de neurones physiques, la physique computationnelle, la mécanique statistique hors-équilibre, les systèmes complexes, les modèles de spin pour l'apprentissage et la biophysique computationnelle.

Physique pour l'IA et le ML — arXiv

Présentation

Ce skill couvre l'intersection entre la physique et l'intelligence artificielle, en suivant les publications sur arXiv dans les catégories physics.* couplées au machine learning. Il inclut la physique statistique des modèles d'apprentissage, les réseaux de neurones informés par la physique, les systèmes complexes, et les méthodes computationnelles issues de la physique.

Physique Statistique pour l'Apprentissage

• Modèles de verre de spin — analogie avec les paysages d'énergie des réseaux de neurones.
• Paysages d'énergie et généralisation — plateaux, minima plats vs. minima pointus.
• Transitions de phase dans l'apprentissage — double descente, surapprentissage, transitions de phase computationnelles.
• Équations de champs moyens — théorie de champ moyen pour les réseaux de neurones profonds.

Réseaux de Neurones Physiques (Physics-Informed Neural Networks)

• PINNs (Physics-Informed Neural Networks) — résolution d'EDP/EDO avec contraintes physiques.
• Neural PDE Solvers — solveurs d'équations aux dérivées partielles par réseaux de neurones.
• Physics-Informed Embeddings — représentations intégrant des symétries physiques (équivariance, invariance).
• Neural Operators — Fourier Neural Operator, DeepONet, Graph Neural Operators.

Systèmes Complexes et Réseaux

• Network Science — réseaux complexes, motifs de connectivité, propagation.
• Percolation — seuils, transitions, réseaux multiplexes.
• Phénomènes Critiques — exposants critiques, universalité, scaling.
• Dynamique des systèmes complexes — émergence, auto-organisation.

Biophysique Computationnelle

• Modélisation de protéines — repliement, dynamique moléculaire avec ML.
• Réseaux de gènes — inférence, régulation, modèles stochastiques.
• Neuroscience théorique — modèles de neurones, propagation du signal.

Mécanique Statistique Hors-Équilibre

• Processus stochastiques — Langevin, Fokker-Planck, sauts.
• Théorie des grandes déviations — queues de distribution, événements rares.
• Thermodynamique hors-équilibre — production d'entropie, fluctuation theorems.
• Systèmes actifs — matière active, troupeaux, migration cellulaire.

Méthodes de Monte Carlo Physiques

• Monte Carlo Hamiltonien (HMC) — échantillonnage pour modèles bayésiens profonds.
• Variational Monte Carlo — fonctions d'onde neurales, RBM.
• Path Integral Monte Carlo — systèmes quantiques à température finie.

Catégories arXiv

• physics.comp-ph — méthodes computationnelles, physique numérique.
• physics.soc-ph — physique sociale, systèmes complexes.
• physics.bio-ph — biophysique, modèles biologiques.
• cs.LG — apprentissage automatique.
• math-ph — physique mathématique.

Articles Notables

• "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations" (Raissi et al., JCP 2019)
• "Fourier Neural Operator for Parametric Partial Differential Equations" (Li et al., ICLR 2021)
• "Statistical mechanics of deep learning" (Bahri et al., Annual Review of Condensed Matter Physics 2020)
• "Loss landscapes and optimization in over-parameterized non-linear systems" (Dauphin et al.)