1. Použitı́ neuronových sı́tı́ ve vědě v minulosti a dnes.
2. Struktura řešenı́ výpočetnı́ho problému pomocı́ mashine learning – Iden-
tifikace řešeného problému; sběr, třı́děnı́, zpracovánı́ dat a propojenı́ s
modelem; správná volba architektury neuronové sı́tě; Loss function; Optimalizace – trénink modelu; akcelerace trénovánı́; regularizace.
3. Uplatněnı́ hlubokého učenı́ ve výpočetnı́ch metodách, architektury neuro-
nových sı́tı́ – Lagrangian neural networks, Hamiltonian neural networks,
Fourier neural operator, Physically informed neural networks, Convoluti-
onal neural networks, Graph neural networks.
4. Autoenkodéry a redukce dimenze zı́skaných dat.
5. Identifikace fyzikálnı́ch zákonů na základě dat z experimentu.
6. Numerické výpočty pomocı́ hlubokého učenı́ - Kadraturnı́ úloha.
7. Physically informed neural networks (PINNs).
8. PINNs a jejich pozměněné verze – Loss re-weighting a Data re-samppling,
Optimization targets.
9. PINNs a jejich pozměněné verze – Regularizačnı́ techniky, nové neurálnı́
architektury, nová paradigmata v učenı́ PINNs a výhled do budoucnosti.
10. PINNs a jejich pozměněné verze – Pokročilé metody v implementaci fy-
zikálnı́ch vazeb do PINNs – Loss function, optimalizačnı́ algoritmus, ar-
chitektura neuronové sı́tě.
11. Optimalizačnı́ algoritmy ve fyzikálnı́ch úlohách.
12. Dodatečné informace k probraným tématům, diskuse.
2. Struktura řešenı́ výpočetnı́ho problému pomocı́ mashine learning – Iden-
tifikace řešeného problému; sběr, třı́děnı́, zpracovánı́ dat a propojenı́ s
modelem; správná volba architektury neuronové sı́tě; Loss function; Optimalizace – trénink modelu; akcelerace trénovánı́; regularizace.
3. Uplatněnı́ hlubokého učenı́ ve výpočetnı́ch metodách, architektury neuro-
nových sı́tı́ – Lagrangian neural networks, Hamiltonian neural networks,
Fourier neural operator, Physically informed neural networks, Convoluti-
onal neural networks, Graph neural networks.
4. Autoenkodéry a redukce dimenze zı́skaných dat.
5. Identifikace fyzikálnı́ch zákonů na základě dat z experimentu.
6. Numerické výpočty pomocı́ hlubokého učenı́ - Kadraturnı́ úloha.
7. Physically informed neural networks (PINNs).
8. PINNs a jejich pozměněné verze – Loss re-weighting a Data re-samppling,
Optimization targets.
9. PINNs a jejich pozměněné verze – Regularizačnı́ techniky, nové neurálnı́
architektury, nová paradigmata v učenı́ PINNs a výhled do budoucnosti.
10. PINNs a jejich pozměněné verze – Pokročilé metody v implementaci fy-
zikálnı́ch vazeb do PINNs – Loss function, optimalizačnı́ algoritmus, ar-
chitektura neuronové sı́tě.
11. Optimalizačnı́ algoritmy ve fyzikálnı́ch úlohách.
12. Dodatečné informace k probraným tématům, diskuse.