{"id":1277,"date":"2026-08-21T14:31:30","date_gmt":"2026-08-21T14:31:30","guid":{"rendered":"https:\/\/matforge.org\/?p=1277","raw":"https:\/\/matforge.org\/?p=1277"},"modified":"2026-08-21T14:31:30","modified_gmt":"2026-08-21T14:31:30","slug":"physics-informed-neural-networks-pinns-for-scientific-simulations","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/","title":{"rendered":"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques","raw":"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les r\u00e9seaux de neurones bas\u00e9s sur la physique int\u00e8grent des lois physiques directement dans la formation des r\u00e9seaux de neurones. Ils peuvent r\u00e9soudre des PDE sans g\u00e9n\u00e9ration de maillage traditionnelle ou sans jeux de donn\u00e9es massifs.<\/li>\n<li>Les substituts de ML traditionnels ont souvent besoin de nombreuses simulations pour s&rsquo;entra\u00eener. Les PINN utilisent des \u00e9quations physiques comme contraintes et peuvent fonctionner avec des donn\u00e9es limites ou des mesures clairsem\u00e9es.<\/li>\n<li>Un PINN produit des pr\u00e9dictions tout en minimisant le r\u00e9sidu PDE gr\u00e2ce \u00e0 la diff\u00e9renciation automatique. Si les pr\u00e9dictions violent la physique qui gouverne, le r\u00e9seau est p\u00e9nalis\u00e9 pendant l&rsquo;entra\u00eenement.<\/li>\n<li>Les PINN sont utiles pour les probl\u00e8mes inverses, les r\u00e9gimes de donn\u00e9es clairsem\u00e9es, les g\u00e9om\u00e9tries irr\u00e9guli\u00e8res et les cas o\u00f9 la g\u00e9n\u00e9ration de maillage est difficile.<\/li>\n<li>Les PINN ne sont pas id\u00e9aux pour les probl\u00e8mes simples o\u00f9 les solveurs traditionnels fonctionnent bien, ou lorsque vous avez besoin de limites d&rsquo;erreurs rigoureuses et de garanties de convergence.<\/li>\n<\/ul>\n<p>Vous essayez de r\u00e9soudre une \u00e9quation aux d\u00e9riv\u00e9es partielles. Il peut d\u00e9crire la diffusion de la chaleur dans un nouvel alliage, le flux de fluide autour d&rsquo;une pale de turbine ou l&rsquo;\u00e9volution du champ de phase dans une \u00e9lectrode de batterie.<\/p>\n<p>Traditionnellement, vous discr\u00e9tiriez le domaine dans un maillage, mettiez en place un sch\u00e9ma num\u00e9rique, r\u00e9solvez le syst\u00e8me r\u00e9sultant et esp\u00e9rez que le maillage ne cr\u00e9e pas de probl\u00e8mes num\u00e9riques.<\/p>\n<p>Les r\u00e9seaux de neurones bas\u00e9s sur la physique offrent une autre approche. Au lieu de cr\u00e9er un maillage en premier, vous formez un r\u00e9seau de neurones qui apprend la solution tout en \u00e9tant contraint par l&rsquo;\u00e9quation physique qui gouverne.<\/p>\n<p>Depuis leur introduction par Raissi, Perdikaris et Karniadakis, Pinns est pass\u00e9 d&rsquo;une id\u00e9e acad\u00e9mique sp\u00e9cialis\u00e9e \u00e0 un outil important en science informatique. Ils sont particuli\u00e8rement utiles pour les probl\u00e8mes difficiles pour les m\u00e9thodes num\u00e9riques traditionnelles et l&rsquo;apprentissage automatique conventionnel.<\/p>\n<p>Ce guide explique le concept de base, comment fonctionnent les PINN, comment impl\u00e9menter une version simple dans PyTorch, o\u00f9 ils aident et o\u00f9 leurs limites sont importantes.<\/p>\n<h2>L&rsquo;id\u00e9e de base : enseigner \u00e0 un r\u00e9seau de neurones les lois de la physique<\/h2>\n<p>Un mod\u00e8le d&rsquo;apprentissage automatique standard apprend en minimisant l&rsquo;erreur entre les pr\u00e9dictions et un ensemble de donn\u00e9es d&rsquo;apprentissage. Il est principalement bas\u00e9 sur les donn\u00e9es. Vous fournissez des exemples, le mod\u00e8le trouve des mod\u00e8les et vous esp\u00e9rez qu&rsquo;il se g\u00e9n\u00e9ralise.<\/p>\n<p>Un r\u00e9seau de neurones bas\u00e9 sur la physique utilise une approche diff\u00e9rente. Il s&rsquo;entra\u00eene \u00e0 la fois sur les donn\u00e9es et sur la physique.<\/p>\n<p>Le r\u00e9seau neuronal pr\u00e9dit la solution d&rsquo;une PDE. La fonction de perte mesure non seulement la proximit\u00e9 de la pr\u00e9diction des donn\u00e9es disponibles, mais \u00e9galement la fa\u00e7on dont la pr\u00e9diction satisfait l&rsquo;\u00e9quation diff\u00e9rentielle gouvernante.<\/p>\n<p>En d&rsquo;autres termes, le r\u00e9seau est p\u00e9nalis\u00e9 lorsqu&rsquo;il viole la physique.<\/p>\n<p>Consid\u00e9rez une PDE \u00e9crite sous forme r\u00e9siduelle&nbsp;:<\/p>\n<p>f(u, x, \u2202u\/\u2202x, \u2202\u00b2u\/\u2202x\u00b2, &#8230;) = 0<\/p>\n<p>Ici, <em>u<\/em> est la solution, et les d\u00e9riv\u00e9es sont prises par rapport aux coordonn\u00e9es spatiales ou temporelles. Un PINN construit une fonction de perte avec deux composants principaux :<\/p>\n<ol>\n<li>perte de donn\u00e9es. Cela mesure l&rsquo;erreur quadratique moyenne entre les pr\u00e9dictions du r\u00e9seau et les donn\u00e9es disponibles, telles que les conditions initiales, les conditions aux limites ou les mesures clairsem\u00e9es.<\/li>\n<li>Perte de physique. Cela mesure le r\u00e9sidu PDE moyen au carr\u00e9 aux points de collocation \u00e9chantillonn\u00e9s dans tout le domaine.<\/li>\n<\/ol>\n<p>Le mod\u00e8le optimise les deux termes en m\u00eame temps. Il apprend des pr\u00e9dictions coh\u00e9rentes avec les donn\u00e9es et avec la physique qui gouverne.<\/p>\n<h2>Comment fonctionnent r\u00e9ellement les PINN&nbsp;: l&rsquo;architecture<\/h2>\n<p>L&rsquo;architecture de r\u00e9seau neuronal pour les PINN est g\u00e9n\u00e9ralement un perceptron multicouche.<\/p>\n<p>La couche d&rsquo;entr\u00e9e re\u00e7oit des coordonn\u00e9es spatiales telles que <code>x<\/code>, <code>y<\/code> et <code>z<\/code>, et \u00e9ventuellement le temps <code>t<\/code>. Pour un probl\u00e8me 2D en r\u00e9gime permanent, il peut y avoir deux entr\u00e9es. Pour un probl\u00e8me 1D transitoire, les entr\u00e9es sont souvent <code>x<\/code> et <code>t<\/code>.<\/p>\n<p>Les couches cach\u00e9es contiennent g\u00e9n\u00e9ralement 2 \u00e0 5 couches avec 50 \u00e0 200 neurones chacune. La fonction d&rsquo;activation <code>tanh<\/code> est souvent pr\u00e9f\u00e9r\u00e9e \u00e0 Relu car de nombreuses solutions PDE sont lisses et les activations lisses peuvent mieux repr\u00e9senter des champs physiques continus.<\/p>\n<p>La couche de sortie contient un neurone par inconnu. Par exemple, il peut produire la temp\u00e9rature, la concentration, la pression ou la vitesse. Les probl\u00e8mes multi-physiques peuvent utiliser plusieurs neurones de sortie avec une fonction de perte combin\u00e9e.<\/p>\n<p>La diff\u00e9renciation automatique est le m\u00e9canisme cl\u00e9. Au lieu d&rsquo;approximer les d\u00e9riv\u00e9es par des diff\u00e9rences finies, la diff\u00e9renciation automatique calcule les d\u00e9riv\u00e9es de la sortie du r\u00e9seau par rapport \u00e0 ses entr\u00e9es. Cela permet au mod\u00e8le d&rsquo;\u00e9valuer le r\u00e9sidu PDE directement \u00e0 l&rsquo;int\u00e9rieur de la fonction de perte.<\/p>\n<h2>La fonction de perte : deux termes, un objectif<\/h2>\n<p>Une fonction de perte de PINN typique ressemble \u00e0 ceci :<\/p>\n<p>l_total = \u03bb_data \u00d7 l_data + \u03bb_physics \u00d7 l_physics<\/p>\n<p>Les facteurs de pond\u00e9ration \u00e9quilibrent les deux termes. Cet \u00e9quilibre est important. Si la perte physique domine trop fortement, le mod\u00e8le peut ignorer les contraintes de donn\u00e9es. Si la perte de donn\u00e9es domine, la contrainte physique peut devenir trop faible.<\/p>\n<p><code>L_data<\/code> Mesure l&rsquo;erreur de pr\u00e9diction par rapport aux mesures disponibles, aux conditions initiales ou aux conditions aux limites.<\/p>\n<p><code>L_physics<\/code> Mesure le r\u00e9sidu PDE. La pr\u00e9diction du r\u00e9seau est branch\u00e9e sur l&rsquo;\u00e9quation diff\u00e9rentielle, au carr\u00e9 et moyenn\u00e9e sur les points de collocation \u00e9chantillonn\u00e9s dans le domaine.<\/p>\n<p>L&rsquo;id\u00e9e cl\u00e9 est que le mod\u00e8le n&rsquo;a pas besoin d&rsquo;un maillage fixe. Par des points d&rsquo;\u00e9chantillonnage dans tout le domaine, le r\u00e9seau apprend \u00e0 satisfaire la PDE o\u00f9 la physique est d\u00e9finie. Il n&rsquo;y a pas de connectivit\u00e9 d&rsquo;\u00e9l\u00e9ment, de probl\u00e8me de qualit\u00e9 de maillage ou d&rsquo;exigence de grille traditionnelle.<\/p>\n<h2>Un exemple travaill\u00e9 : R\u00e9soudre l&rsquo;\u00e9quation de la chaleur<\/h2>\n<p>Consid\u00e9rez l&rsquo;\u00e9quation de chaleur 1D&nbsp;:<\/p>\n<p>\u2202U\/\u2202T = \u2202\u00b2U\/\u2202x\u00b2, avec u(x,0) = sin(\u03c0x)<\/p>\n<p>Ce probl\u00e8me a une solution analytique connue :<\/p>\n<p>u(x,t) = e<sup>-\u03c0\u00b2t<\/sup> \u00d7 sin(\u03c0x)<\/p>\n<p>Voici une configuration simple de PINN pour ce probl\u00e8me dans PyTorch&nbsp;:<\/p>\n<pre><code class=\"language-python\">import torch\nimport torch.nn as nn\n\nclass PINN(nn.Module):\n    def __init__(self):\n        super().__init__()\n        # Two hidden layers, 50 neurons each, tanh activation\n        self.fc1 = nn.Linear(2, 50)   # inputs: x, t\n        self.fc2 = nn.Linear(50, 50)\n        self.fc3 = nn.Linear(50, 1)   # output: u(x,t)\n        self.activation = torch.tanh\n        \n    def forward(self, x, t):\n        x = self.activation(self.fc1(torch.stack([x, t], dim=-1)))\n        x = self.activation(self.fc2(x))\n        return self.fc3(x).squeeze()\n\n# Create the network\nmodel = PINN()\n\n# Automatic differentiation for physics loss\nx = torch.tensor(x_data, requires_grad=True)\nt = torch.tensor(t_data, requires_grad=True)\n\nu = model(x, t)\nu_t = torch.autograd.grad(u.sum(), t, create_graph=True)[0]\nu_x = torch.autograd.grad(u.sum(), x, create_graph=True)[0]\nu_xx = torch.autograd.grad(u_x.sum(), x, create_graph=True)[0]\n\n# Physics loss: |\u2202u\/\u2202t - \u2202\u00b2u\/\u2202x\u00b2|\u00b2\nphysics_loss = torch.mean((u_t - u_xx)**2)\n\n# Data loss: boundary or initial conditions\ndata_loss = torch.mean((u - u_initial)**2)\n\n# Total loss\ntotal_loss = physics_loss + data_loss\n<\/code><\/pre>\n<p>Au cours de la formation, le r\u00e9seau r\u00e9tropropage via le graphique de diff\u00e9renciation automatique. Il ajuste les poids pour minimiser \u00e0 la fois le r\u00e9sidu PDE et l&rsquo;erreur de limite ou de condition initiale.<\/p>\n<p>Apr\u00e8s la formation, le mod\u00e8le peut \u00e9valuer la solution \u00e0 tout moment du domaine, y compris les points qui n&rsquo;ont pas \u00e9t\u00e9 utilis\u00e9s directement pendant la formation.<\/p>\n<h2>PINN vs substituts traditionnels de ML<\/h2>\n<p>Les PINN sont li\u00e9s aux substituts de l&rsquo;apprentissage automatique, mais ce ne sont pas les m\u00eames. Un substitut traditionnel apprend de nombreux exemples d&rsquo;entr\u00e9es-sorties produits par des simulations. Un PINN apprend en appliquant les \u00e9quations r\u00e9gissant les cours lors de la formation.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>aspect<\/th>\n<th>Surrog\u00e9 ML traditionnel<\/th>\n<th>R\u00e9seau neuronal bas\u00e9 sur la physique<\/th>\n<\/tr>\n<tr>\n<td>Donn\u00e9es de formation<\/td>\n<td>N\u00e9cessite g\u00e9n\u00e9ralement de nombreuses ex\u00e9cutions<\/td>\n<td>Peut fonctionner avec des conditions aux limites et des donn\u00e9es clairsem\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9gration physique<\/td>\n<td>Apprend des mod\u00e8les \u00e0 partir de donn\u00e9es<\/td>\n<td>utilise la physique comme contrainte de perte<\/td>\n<\/tr>\n<tr>\n<td>g\u00e9n\u00e9ration de maillage<\/td>\n<td>Non requis par le mod\u00e8le lui-m\u00eame<\/td>\n<td>Non requis<\/td>\n<\/tr>\n<tr>\n<td>Probl\u00e8mes inverses<\/td>\n<td>Difficile sans donn\u00e9es de param\u00e8tres \u00e9tiquet\u00e9es<\/td>\n<td>Naturel car des param\u00e8tres inconnus peuvent \u00eatre des variables pouvant \u00eatre entra\u00een\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>R\u00e9gime de donn\u00e9es<\/td>\n<td>Fonctionne mieux avec des donn\u00e9es abondantes<\/td>\n<td>Peut bien fonctionner avec des donn\u00e9es int\u00e9rieures clairsem\u00e9es ou sans donn\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Garanties math\u00e9matiques<\/td>\n<td>g\u00e9n\u00e9ralement statistique<\/td>\n<td>Garanties rigoureuses limit\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Co\u00fbt de calcul \u00e0 l&rsquo;inf\u00e9rence<\/td>\n<td>quasi-instantan\u00e9<\/td>\n<td>quasi-instantan\u00e9<\/td>\n<\/tr>\n<tr>\n<td>Co\u00fbt de la formation<\/td>\n<td>Mod\u00e9r\u00e9, mais la g\u00e9n\u00e9ration de donn\u00e9es peut \u00eatre co\u00fbteuse<\/td>\n<td>Souvent \u00e9lev\u00e9 car l&rsquo;optimisation peut n\u00e9cessiter de nombreuses it\u00e9rations<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La distinction fondamentale est la suivante&nbsp;: une m\u00e8re porteuse traditionnelle apprend une cartographie des entr\u00e9es aux sorties en voyant de nombreux exemples. Un PINN apprend une solution contrainte par les \u00e9quations gouvernantes. Vous n&rsquo;avez pas besoin de milliers d&rsquo;ex\u00e9cutions de simulation si vous connaissez d\u00e9j\u00e0 les conditions physiques et limites.<\/p>\n<h2>Quand utiliser les PINN : la matrice de d\u00e9cision<\/h2>\n<p>Les PINN ne sont pas un remplacement universel pour les solveurs traditionnels. Ils sont utiles dans des sc\u00e9narios sp\u00e9cifiques.<\/p>\n<h3>Quand les pinns conviennent parfaitement<\/h3>\n<ul>\n<li>probl\u00e8mes inverses. Les PINN peuvent aider \u00e0 d\u00e9couvrir des param\u00e8tres inconnus tels que la conductivit\u00e9, la diffusivit\u00e9 ou les taux de r\u00e9action \u00e0 partir d&rsquo;observations clairsem\u00e9es.<\/li>\n<li>Espaces de param\u00e8tres de grande dimension. Les PINN peuvent traiter les param\u00e8tres comme des entr\u00e9es de r\u00e9seau et apprendre \u00e0 travers les plages de param\u00e8tres.<\/li>\n<li>G\u00e9om\u00e9tries irr\u00e9guli\u00e8res ou complexes. \u00c9tant donn\u00e9 qu&rsquo;aucune g\u00e9n\u00e9ration de maillage n&rsquo;est requise, vous pouvez \u00e9chantillonner des points dans le domaine et laisser le r\u00e9seau apprendre de la distribution des points de collocation.<\/li>\n<li>r\u00e9gimes de donn\u00e9es clairsem\u00e9es. Les contraintes physiques agissent comme r\u00e9gularisation lorsque les donn\u00e9es seules seraient insuffisantes.<\/li>\n<li>Probl\u00e8mes de multi-fid\u00e9lit\u00e9. Les PINN peuvent combiner des informations de fid\u00e9lit\u00e9 et de fid\u00e9lit\u00e9 plus faibles gr\u00e2ce \u00e0 des termes de perte pond\u00e9r\u00e9e.<\/li>\n<\/ul>\n<h3>Quand \u00e9viter les pins<\/h3>\n<ul>\n<li>Des probl\u00e8mes simples o\u00f9 les solveurs traditionnels fonctionnent d\u00e9j\u00e0 bien. Si un solveur standard converge rapidement et avec pr\u00e9cision, un PINN peut ajouter une complexit\u00e9 inutile.<\/li>\n<li>Probl\u00e8mes n\u00e9cessitant des limites d&rsquo;erreur prouvables. Les PINN n&rsquo;ont pas encore la m\u00eame th\u00e9orie de convergence que les m\u00e9thodes d&rsquo;\u00e9l\u00e9ments finis ou de volume fini matures.<\/li>\n<li>Exigences \u00e9lev\u00e9es en mati\u00e8re de pr\u00e9cision \u00e0 proximit\u00e9 des singularit\u00e9s. Les pinnures standard peuvent lutter avec des gradients, des discontinuit\u00e9s et des couches limites.<\/li>\n<li>Cas o\u00f9 vous avez d\u00e9j\u00e0 un solveur valid\u00e9 et optimis\u00e9. Si votre solveur FVM ou FEM existant est rapide et pr\u00e9cis, il peut ne pas \u00eatre utile de le remplacer.<\/li>\n<\/ul>\n<h2>De vraies applications scientifiques<\/h2>\n<p>Les PINN ont \u00e9t\u00e9 appliqu\u00e9s dans de nombreux domaines scientifiques.<\/p>\n<p>En physique du plasma et en astrophysique, les PINN ont \u00e9t\u00e9 utilis\u00e9s pour r\u00e9soudre les \u00e9quations de Grad-Shafranov pour les \u00e9quations d&rsquo;\u00e9quilibre magn\u00e9tique et de Lane-Emden pour la structure stellaire. Ces probl\u00e8mes peuvent impliquer des conditions aux limites mixtes qui sont difficiles pour certains solveurs traditionnels.<\/p>\n<p>Dans la dynamique des fluides, les PINN ont \u00e9t\u00e9 utilis\u00e9s pour d\u00e9duire des champs de vitesse pleine \u00e0 partir de donn\u00e9es de mesure clairsem\u00e9es en appliquant les \u00e9quations de Navier-Stokes en tant que contraintes.<\/p>\n<p>En imagerie biom\u00e9dicale, des mod\u00e8les bas\u00e9s sur la physique ont \u00e9t\u00e9 utilis\u00e9s pour filtrer et reconstruire les donn\u00e9es de flux tout en respectant les \u00e9quations de conservation de masse et de mouvement.<\/p>\n<p>En \u00e9lectrochimie, les PINN sont explor\u00e9s pour les syst\u00e8mes coupl\u00e9s de r\u00e9action-r\u00e9action, y compris la mod\u00e9lisation des \u00e9lectrodes de batterie lorsque les solutions analytiques ne sont pas disponibles.<\/p>\n<h2>Des pi\u00e8ges courants et comment les \u00e9viter<\/h2>\n<h3>1. D\u00e9s\u00e9quilibre des pertes<\/h3>\n<p>L&rsquo;\u00e9chec d&rsquo;entra\u00eenement le plus courant est un terme de perte dominant un autre. La perte physique peut \u00eatre beaucoup plus importante que la perte de donn\u00e9es, ou le contraire peut se produire. Lorsque cela se produit, le mod\u00e8le peut ignorer enti\u00e8rement une contrainte.<\/p>\n<p>Corrigez cela en normalisant les deux termes de perte. Utilisez des sch\u00e9mas de pond\u00e9ration adaptatifs qui ajustent <code>\u03bb_data<\/code> et <code>\u03bb_physics<\/code> en fonction de l&rsquo;amplitude relative de chaque terme. Surveillez les deux pertes s\u00e9par\u00e9ment pendant la formation.<\/p>\n<h3>2. Minima locaux et stands d&rsquo;entra\u00eenement<\/h3>\n<p>Les pinns peuvent rester bloqu\u00e9s dans de mauvais minimums locaux. Le r\u00e9seau peut satisfaire la perte physique tout en produisant une solution incorrecte, ou il peut s&rsquo;adapter aux donn\u00e9es de limites tout en \u00e9chouant dans le domaine.<\/p>\n<p>Corrigez cela avec une formation bas\u00e9e sur le programme d&rsquo;\u00e9tudes. Commencez par une version simplifi\u00e9e du probl\u00e8me, comme une forme en r\u00e9gime permanent ou une PDE plus simple, puis augmentez progressivement la complexit\u00e9. Vous pouvez \u00e9galement commencer avec moins de points de collocation et augmenter la couverture au fil du temps.<\/p>\n<h3>3. D\u00e9grad\u00e9s et discontinuit\u00e9s nets<\/h3>\n<p>Les points standards ont souvent des difficult\u00e9s avec des gradients, des discontinuit\u00e9s et des couches limites. Des fonctions d&rsquo;activation fluides peuvent rendre difficile la repr\u00e9sentation de changements brusques.<\/p>\n<p>Corrigez cela avec le raffinement de points de collocation adaptatif. Points concentr\u00e9s o\u00f9 le r\u00e9sidu est le plus important. Vous pouvez \u00e9galement utiliser des formulations \u00e0 contrainte dure qui int\u00e8grent exactement les conditions aux limites, ou des PINN composites avec des r\u00e9seaux s\u00e9par\u00e9s sur diff\u00e9rentes r\u00e9gions.<\/p>\n<h3>4. Confiance excessive sans garanties<\/h3>\n<p>Les PINN peuvent produire des r\u00e9sultats visuellement plausibles qui sont toujours erron\u00e9s. Sans limites d&rsquo;erreurs rigoureuses, il peut \u00eatre difficile de savoir o\u00f9 la solution est fiable.<\/p>\n<p>Corrigez cela en validant les pr\u00e9dictions de PINN par rapport aux benchmarks connus lorsque cela est possible. Entra\u00eenez plusieurs r\u00e9seaux avec des initialisations diff\u00e9rentes pour estimer la variance de pr\u00e9diction. Retrouvez les solveurs traditionnels sur des cas de test simples avant de faire confiance aux r\u00e9sultats sur des probl\u00e8mes complexes.<\/p>\n<h2>Mise en route : un flux de travail pratique<\/h2>\n<p>Utilisez le flux de travail suivant lors de la mise en \u0153uvre de PINN dans un projet de recherche.<\/p>\n<h3>\u00c9tape&nbsp;1&nbsp;: D\u00e9finissez le probl\u00e8me de mani\u00e8re formelle<\/h3>\n<p>\u00c9crivez la PDE sous forme r\u00e9siduelle. Identifiez tous les param\u00e8tres, conditions aux limites et conditions initiales. Clarifiez les donn\u00e9es dont vous disposez et ce que vous souhaitez d\u00e9couvrir.<\/p>\n<h3>\u00c9tape&nbsp;2&nbsp;: Choisissez votre cadre<\/h3>\n<p>PyTorch est largement utilis\u00e9 dans les didacticiels et les impl\u00e9mentations de PINN. Tensorflow est \u00e9galement courant. Si vous utilisez d\u00e9j\u00e0 Fipy pour les solveurs traditionnels, vous pouvez int\u00e9grer des PINN au niveau du flux de travail en les utilisant pour des probl\u00e8mes inverses ou une exploration rapide, puis en v\u00e9rifiant les r\u00e9sultats avec Fipy.<\/p>\n<h3>\u00c9tape&nbsp;3&nbsp;: Configurer l&rsquo;architecture du r\u00e9seau<\/h3>\n<p>Commencez simplement : 2 \u00e0 3 couches cach\u00e9es, 50 \u00e0 100 neurones et <code>tanh<\/code> activation. Vous pouvez affiner plus tard. Ne pas trop concevoir l&rsquo;architecture au d\u00e9but, car les contraintes physiques font une grande partie du travail.<\/p>\n<h3>\u00c9tape&nbsp;4&nbsp;: Exemples de points de collocation<\/h3>\n<p>Dessinez des points al\u00e9atoires uniform\u00e9ment \u00e0 l&rsquo;int\u00e9rieur du domaine. Vous aurez peut-\u00eatre besoin de centaines ou de milliers de points en fonction de la complexit\u00e9 du probl\u00e8me. Pour les probl\u00e8mes multi-\u00e9chelles, utilisez un \u00e9chantillonnage non uniforme concentr\u00e9 l\u00e0 o\u00f9 la solution change le plus.<\/p>\n<h3>\u00c9tape&nbsp;5&nbsp;: Impl\u00e9mentez la fonction de perte<\/h3>\n<p>Cr\u00e9ez des termes de perte de donn\u00e9es et de pertes physiques distincts. Ajoutez la normalisation pour que leurs magnitudes soient comparables. Surveillez les deux termes de perte pendant la formation.<\/p>\n<h3>\u00c9tape&nbsp;6&nbsp;: Entra\u00eenez-vous et validez<\/h3>\n<p>Entra\u00eenez-vous d&rsquo;abord avec Adam, en utilisant souvent un taux d&rsquo;apprentissage proche de <code>1e-3<\/code>, puis passez \u00e0 L-BFGS pour un r\u00e9glage fin. Valider par rapport aux solutions analytiques ou aux solveurs traditionnels sur des probl\u00e8mes de r\u00e9f\u00e9rence avant d&rsquo;appliquer le mod\u00e8le \u00e0 de nouveaux probl\u00e8mes.<\/p>\n<h2>L&rsquo;avenir de PINN dans le calcul scientifique<\/h2>\n<p>Le champ Pinn \u00e9volue rapidement. Plusieurs d\u00e9veloppements valent le d\u00e9tour.<\/p>\n<h3>Apprentissage des op\u00e9rateurs<\/h3>\n<p>Au lieu d&rsquo;apprendre une solution unique, les m\u00e9thodes d&rsquo;apprentissage des op\u00e9rateurs visent \u00e0 apprendre la cartographie des conditions et param\u00e8tres initiaux aux champs de solution complets. Cela signifie qu&rsquo;un mod\u00e8le form\u00e9 peut g\u00e9rer une famille de probl\u00e8mes plut\u00f4t qu&rsquo;un cas fixe.<\/p>\n<h3>PhysiqueNemo<\/h3>\n<p>NVIDIA a rebaptis\u00e9 son cadre de modules en tant que Physicsnemo, signalant un int\u00e9r\u00eat plus large de l&rsquo;industrie pour les outils d&rsquo;intelligence artificielle inform\u00e9s par la physique.<\/p>\n<h3>D\u00e9composition du domaine<\/h3>\n<p>L&rsquo;extension des PINN \u00e0 de tr\u00e8s gros probl\u00e8mes gr\u00e2ce \u00e0 la d\u00e9composition de domaine parall\u00e8le est un domaine de recherche actif. Cela compte pour d\u00e9placer les PINN des r\u00e9f\u00e9rences acad\u00e9miques vers de v\u00e9ritables charges de travail de simulation scientifique.<\/p>\n<h3>Approches hybrides<\/h3>\n<p>Les workflows hybrides combinent les PINN avec les solveurs traditionnels. Les PINN peuvent prendre en charge une exploration rapide ou une r\u00e9solution inverse de probl\u00e8mes, tandis que les solveurs FVM ou FEM v\u00e9rifi\u00e9s peuvent fournir une validation finale.<\/p>\n<h2>Guides connexes<\/h2>\n<p>Pour une couverture plus approfondie des sujets connexes dans les flux de travail en sciences informatiques&nbsp;:<\/p>\n<ul>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">substituts d&rsquo;apprentissage automatique pour les simulations scientifiques<\/a> \u2014 Couverture plus large de l&rsquo;acc\u00e9l\u00e9ration des mod\u00e8les ax\u00e9e sur les donn\u00e9es, y compris les processus gaussiens, polyn\u00f4mes Chaos et substituts du r\u00e9seau neuronal.<\/li>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">V\u00e9rification vs validation dans les simulations scientifiques<\/a> \u2014 Comment valider les pr\u00e9visions de PINN par rapport aux benchmarks.<\/li>\n<li><a href=\"\/using-fipy-for-phase-field-modeling\/\">Utilisation de FIPY pour la mod\u00e9lisation en champ de phase<\/a> &#8211; quand utiliser les m\u00e9thodes FVM traditionnelles au lieu de PINN pour les probl\u00e8mes de champ de phase.<\/li>\n<li><a href=\"\/performance-profiling-optimization-python-pde-solvers\/\">profilage des performances pour les solveurs Python PDE<\/a> \u2014 benchmarking pinns avec les solveurs traditionnels.<\/li>\n<\/ul>\n<h2>Besoin d&rsquo;aide pour mettre en place des PINN pour votre simulation&nbsp;?<\/h2>\n<p>Les PINN sont puissants, mais ils ne sont pas triviaux \u00e0 impl\u00e9menter correctement. Ils peuvent \u00eatre utiles si vous travaillez sur :<\/p>\n<ul>\n<li>Probl\u00e8mes inverses avec des param\u00e8tres physiques cach\u00e9s.<\/li>\n<li>Mod\u00e9lisation de donn\u00e9es clairsem\u00e9es o\u00f9 le ML traditionnel s&rsquo;ajusterait.<\/li>\n<li>Exploration rapide d&rsquo;espaces de param\u00e8tres trop co\u00fbteux pour une simulation directe.<\/li>\n<li>Int\u00e9grer les contraintes physiques dans les pipelines de ML existants.<\/li>\n<\/ul>\n<p>Notre \u00e9quipe peut vous aider \u00e0 cr\u00e9er des mod\u00e8les bas\u00e9s sur la physique adapt\u00e9s aux flux de travail scientifiques, y compris l&rsquo;int\u00e9gration avec Fipy et d&rsquo;autres solveurs PDE. <a href=\"\/category\/issue-tracking-tickets-technical-requests\/\">Contactez-nous<\/a> pour discuter des besoins sp\u00e9cifiques de votre projet.<\/p>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<ol>\n<li>Raissi, M., Perdikaris, P., &amp; Karniadakis, G.E. (2019). R\u00e9seaux de neurones bas\u00e9s sur la physique&nbsp;: un cadre d&rsquo;apprentissage profond pour r\u00e9soudre des probl\u00e8mes avanc\u00e9s et inverses impliquant des \u00e9quations aux d\u00e9riv\u00e9es partielles non lin\u00e9aires. <em>Journal de physique computationnelle<\/em>, 378, 724\u2013741.<\/li>\n<li>Karniadakis, G.E., Kevrekidis, I.G., Lu, L., et al. (2021). Apprentissage automatique bas\u00e9 sur la physique. <em>Nature examine la physique<\/em>, 3(6), 416\u2013428.<\/li>\n<li>Baty, H. (2024). Une introduction pratique aux r\u00e9seaux de neurones bas\u00e9s sur la physique pour r\u00e9soudre les \u00e9quations aux d\u00e9riv\u00e9es partielles. <em>Observatoire astronomique, Universit\u00e9 de Strasbourg<\/em>. arxiv&nbsp;:&nbsp;2403.00599.<\/li>\n<li>Cuomo, D., et al. (2022). Un examen complet de l&rsquo;apprentissage automatique bas\u00e9 sur la physique pour la m\u00e9canique informatique. <em>Ordinateurs et amp; structures<\/em>.<\/li>\n<li>Karniadakis, G.E., et al. (2021). Apprentissage automatique bas\u00e9 sur la physique&nbsp;: une revue. <em>Nature examine la physique<\/em>.<\/li>\n<li>Wolf, T. (2024). R\u00e9seaux de neurones bas\u00e9s sur la physique&nbsp;: un didacticiel simple avec PyTorch. <em>moyen<\/em>.<\/li>\n<li>D\u00e9partement d&rsquo;informatique d&rsquo;Oxford. (2025-2026). Physique a inform\u00e9 les r\u00e9seaux de neurones et les programmes de cours.<\/li>\n<\/ol>\n","protected":false,"raw":"<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les r\u00e9seaux de neurones bas\u00e9s sur la physique int\u00e8grent des lois physiques directement dans la formation des r\u00e9seaux de neurones. Ils peuvent r\u00e9soudre des PDE sans g\u00e9n\u00e9ration de maillage traditionnelle ou sans jeux de donn\u00e9es massifs.<\/li>\n<li>Les substituts de ML traditionnels ont souvent besoin de nombreuses simulations pour s'entra\u00eener. Les PINN utilisent des \u00e9quations physiques comme contraintes et peuvent fonctionner avec des donn\u00e9es limites ou des mesures clairsem\u00e9es.<\/li>\n<li>Un PINN produit des pr\u00e9dictions tout en minimisant le r\u00e9sidu PDE gr\u00e2ce \u00e0 la diff\u00e9renciation automatique. Si les pr\u00e9dictions violent la physique qui gouverne, le r\u00e9seau est p\u00e9nalis\u00e9 pendant l'entra\u00eenement.<\/li>\n<li>Les PINN sont utiles pour les probl\u00e8mes inverses, les r\u00e9gimes de donn\u00e9es clairsem\u00e9es, les g\u00e9om\u00e9tries irr\u00e9guli\u00e8res et les cas o\u00f9 la g\u00e9n\u00e9ration de maillage est difficile.<\/li>\n<li>Les PINN ne sont pas id\u00e9aux pour les probl\u00e8mes simples o\u00f9 les solveurs traditionnels fonctionnent bien, ou lorsque vous avez besoin de limites d'erreurs rigoureuses et de garanties de convergence.<\/li>\n<\/ul>\n<p>Vous essayez de r\u00e9soudre une \u00e9quation aux d\u00e9riv\u00e9es partielles. Il peut d\u00e9crire la diffusion de la chaleur dans un nouvel alliage, le flux de fluide autour d'une pale de turbine ou l'\u00e9volution du champ de phase dans une \u00e9lectrode de batterie.<\/p>\n<p>Traditionnellement, vous discr\u00e9tiriez le domaine dans un maillage, mettiez en place un sch\u00e9ma num\u00e9rique, r\u00e9solvez le syst\u00e8me r\u00e9sultant et esp\u00e9rez que le maillage ne cr\u00e9e pas de probl\u00e8mes num\u00e9riques.<\/p>\n<p>Les r\u00e9seaux de neurones bas\u00e9s sur la physique offrent une autre approche. Au lieu de cr\u00e9er un maillage en premier, vous formez un r\u00e9seau de neurones qui apprend la solution tout en \u00e9tant contraint par l'\u00e9quation physique qui gouverne.<\/p>\n<p>Depuis leur introduction par Raissi, Perdikaris et Karniadakis, Pinns est pass\u00e9 d'une id\u00e9e acad\u00e9mique sp\u00e9cialis\u00e9e \u00e0 un outil important en science informatique. Ils sont particuli\u00e8rement utiles pour les probl\u00e8mes difficiles pour les m\u00e9thodes num\u00e9riques traditionnelles et l'apprentissage automatique conventionnel.<\/p>\n<p>Ce guide explique le concept de base, comment fonctionnent les PINN, comment impl\u00e9menter une version simple dans PyTorch, o\u00f9 ils aident et o\u00f9 leurs limites sont importantes.<\/p>\n<h2>L'id\u00e9e de base : enseigner \u00e0 un r\u00e9seau de neurones les lois de la physique<\/h2>\n<p>Un mod\u00e8le d'apprentissage automatique standard apprend en minimisant l'erreur entre les pr\u00e9dictions et un ensemble de donn\u00e9es d'apprentissage. Il est principalement bas\u00e9 sur les donn\u00e9es. Vous fournissez des exemples, le mod\u00e8le trouve des mod\u00e8les et vous esp\u00e9rez qu'il se g\u00e9n\u00e9ralise.<\/p>\n<p>Un r\u00e9seau de neurones bas\u00e9 sur la physique utilise une approche diff\u00e9rente. Il s'entra\u00eene \u00e0 la fois sur les donn\u00e9es et sur la physique.<\/p>\n<p>Le r\u00e9seau neuronal pr\u00e9dit la solution d'une PDE. La fonction de perte mesure non seulement la proximit\u00e9 de la pr\u00e9diction des donn\u00e9es disponibles, mais \u00e9galement la fa\u00e7on dont la pr\u00e9diction satisfait l'\u00e9quation diff\u00e9rentielle gouvernante.<\/p>\n<p>En d'autres termes, le r\u00e9seau est p\u00e9nalis\u00e9 lorsqu'il viole la physique.<\/p>\n<p>Consid\u00e9rez une PDE \u00e9crite sous forme r\u00e9siduelle&nbsp;:<\/p>\n<p>f(u, x, \u2202u\/\u2202x, \u2202\u00b2u\/\u2202x\u00b2, ...) = 0<\/p>\n<p>Ici, <em>u<\/em> est la solution, et les d\u00e9riv\u00e9es sont prises par rapport aux coordonn\u00e9es spatiales ou temporelles. Un PINN construit une fonction de perte avec deux composants principaux :<\/p>\n<ol>\n<li>perte de donn\u00e9es. Cela mesure l'erreur quadratique moyenne entre les pr\u00e9dictions du r\u00e9seau et les donn\u00e9es disponibles, telles que les conditions initiales, les conditions aux limites ou les mesures clairsem\u00e9es.<\/li>\n<li>Perte de physique. Cela mesure le r\u00e9sidu PDE moyen au carr\u00e9 aux points de collocation \u00e9chantillonn\u00e9s dans tout le domaine.<\/li>\n<\/ol>\n<p>Le mod\u00e8le optimise les deux termes en m\u00eame temps. Il apprend des pr\u00e9dictions coh\u00e9rentes avec les donn\u00e9es et avec la physique qui gouverne.<\/p>\n<h2>Comment fonctionnent r\u00e9ellement les PINN&nbsp;: l'architecture<\/h2>\n<p>L'architecture de r\u00e9seau neuronal pour les PINN est g\u00e9n\u00e9ralement un perceptron multicouche.<\/p>\n<p>La couche d'entr\u00e9e re\u00e7oit des coordonn\u00e9es spatiales telles que <code>x<\/code>, <code>y<\/code> et <code>z<\/code>, et \u00e9ventuellement le temps <code>t<\/code>. Pour un probl\u00e8me 2D en r\u00e9gime permanent, il peut y avoir deux entr\u00e9es. Pour un probl\u00e8me 1D transitoire, les entr\u00e9es sont souvent <code>x<\/code> et <code>t<\/code>.<\/p>\n<p>Les couches cach\u00e9es contiennent g\u00e9n\u00e9ralement 2 \u00e0 5 couches avec 50 \u00e0 200 neurones chacune. La fonction d'activation <code>tanh<\/code> est souvent pr\u00e9f\u00e9r\u00e9e \u00e0 Relu car de nombreuses solutions PDE sont lisses et les activations lisses peuvent mieux repr\u00e9senter des champs physiques continus.<\/p>\n<p>La couche de sortie contient un neurone par inconnu. Par exemple, il peut produire la temp\u00e9rature, la concentration, la pression ou la vitesse. Les probl\u00e8mes multi-physiques peuvent utiliser plusieurs neurones de sortie avec une fonction de perte combin\u00e9e.<\/p>\n<p>La diff\u00e9renciation automatique est le m\u00e9canisme cl\u00e9. Au lieu d'approximer les d\u00e9riv\u00e9es par des diff\u00e9rences finies, la diff\u00e9renciation automatique calcule les d\u00e9riv\u00e9es de la sortie du r\u00e9seau par rapport \u00e0 ses entr\u00e9es. Cela permet au mod\u00e8le d'\u00e9valuer le r\u00e9sidu PDE directement \u00e0 l'int\u00e9rieur de la fonction de perte.<\/p>\n<h2>La fonction de perte : deux termes, un objectif<\/h2>\n<p>Une fonction de perte de PINN typique ressemble \u00e0 ceci :<\/p>\n<p>l_total = \u03bb_data \u00d7 l_data + \u03bb_physics \u00d7 l_physics<\/p>\n<p>Les facteurs de pond\u00e9ration \u00e9quilibrent les deux termes. Cet \u00e9quilibre est important. Si la perte physique domine trop fortement, le mod\u00e8le peut ignorer les contraintes de donn\u00e9es. Si la perte de donn\u00e9es domine, la contrainte physique peut devenir trop faible.<\/p>\n<p><code>L_data<\/code> Mesure l'erreur de pr\u00e9diction par rapport aux mesures disponibles, aux conditions initiales ou aux conditions aux limites.<\/p>\n<p><code>L_physics<\/code> Mesure le r\u00e9sidu PDE. La pr\u00e9diction du r\u00e9seau est branch\u00e9e sur l'\u00e9quation diff\u00e9rentielle, au carr\u00e9 et moyenn\u00e9e sur les points de collocation \u00e9chantillonn\u00e9s dans le domaine.<\/p>\n<p>L'id\u00e9e cl\u00e9 est que le mod\u00e8le n'a pas besoin d'un maillage fixe. Par des points d'\u00e9chantillonnage dans tout le domaine, le r\u00e9seau apprend \u00e0 satisfaire la PDE o\u00f9 la physique est d\u00e9finie. Il n'y a pas de connectivit\u00e9 d'\u00e9l\u00e9ment, de probl\u00e8me de qualit\u00e9 de maillage ou d'exigence de grille traditionnelle.<\/p>\n<h2>Un exemple travaill\u00e9 : R\u00e9soudre l'\u00e9quation de la chaleur<\/h2>\n<p>Consid\u00e9rez l'\u00e9quation de chaleur 1D&nbsp;:<\/p>\n<p>\u2202U\/\u2202T = \u2202\u00b2U\/\u2202x\u00b2, avec u(x,0) = sin(\u03c0x)<\/p>\n<p>Ce probl\u00e8me a une solution analytique connue :<\/p>\n<p>u(x,t) = e<sup>-\u03c0\u00b2t<\/sup> \u00d7 sin(\u03c0x)<\/p>\n<p>Voici une configuration simple de PINN pour ce probl\u00e8me dans PyTorch&nbsp;:<\/p>\n<pre><code class=\"language-python\">import torch\nimport torch.nn as nn\n\nclass PINN(nn.Module):\n    def __init__(self):\n        super().__init__()\n        # Two hidden layers, 50 neurons each, tanh activation\n        self.fc1 = nn.Linear(2, 50)   # inputs: x, t\n        self.fc2 = nn.Linear(50, 50)\n        self.fc3 = nn.Linear(50, 1)   # output: u(x,t)\n        self.activation = torch.tanh\n        \n    def forward(self, x, t):\n        x = self.activation(self.fc1(torch.stack([x, t], dim=-1)))\n        x = self.activation(self.fc2(x))\n        return self.fc3(x).squeeze()\n\n# Create the network\nmodel = PINN()\n\n# Automatic differentiation for physics loss\nx = torch.tensor(x_data, requires_grad=True)\nt = torch.tensor(t_data, requires_grad=True)\n\nu = model(x, t)\nu_t = torch.autograd.grad(u.sum(), t, create_graph=True)[0]\nu_x = torch.autograd.grad(u.sum(), x, create_graph=True)[0]\nu_xx = torch.autograd.grad(u_x.sum(), x, create_graph=True)[0]\n\n# Physics loss: |\u2202u\/\u2202t - \u2202\u00b2u\/\u2202x\u00b2|\u00b2\nphysics_loss = torch.mean((u_t - u_xx)**2)\n\n# Data loss: boundary or initial conditions\ndata_loss = torch.mean((u - u_initial)**2)\n\n# Total loss\ntotal_loss = physics_loss + data_loss\n<\/code><\/pre>\n<p>Au cours de la formation, le r\u00e9seau r\u00e9tropropage via le graphique de diff\u00e9renciation automatique. Il ajuste les poids pour minimiser \u00e0 la fois le r\u00e9sidu PDE et l'erreur de limite ou de condition initiale.<\/p>\n<p>Apr\u00e8s la formation, le mod\u00e8le peut \u00e9valuer la solution \u00e0 tout moment du domaine, y compris les points qui n'ont pas \u00e9t\u00e9 utilis\u00e9s directement pendant la formation.<\/p>\n<h2>PINN vs substituts traditionnels de ML<\/h2>\n<p>Les PINN sont li\u00e9s aux substituts de l'apprentissage automatique, mais ce ne sont pas les m\u00eames. Un substitut traditionnel apprend de nombreux exemples d'entr\u00e9es-sorties produits par des simulations. Un PINN apprend en appliquant les \u00e9quations r\u00e9gissant les cours lors de la formation.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>aspect<\/th>\n<th>Surrog\u00e9 ML traditionnel<\/th>\n<th>R\u00e9seau neuronal bas\u00e9 sur la physique<\/th>\n<\/tr>\n<tr>\n<td>Donn\u00e9es de formation<\/td>\n<td>N\u00e9cessite g\u00e9n\u00e9ralement de nombreuses ex\u00e9cutions<\/td>\n<td>Peut fonctionner avec des conditions aux limites et des donn\u00e9es clairsem\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9gration physique<\/td>\n<td>Apprend des mod\u00e8les \u00e0 partir de donn\u00e9es<\/td>\n<td>utilise la physique comme contrainte de perte<\/td>\n<\/tr>\n<tr>\n<td>g\u00e9n\u00e9ration de maillage<\/td>\n<td>Non requis par le mod\u00e8le lui-m\u00eame<\/td>\n<td>Non requis<\/td>\n<\/tr>\n<tr>\n<td>Probl\u00e8mes inverses<\/td>\n<td>Difficile sans donn\u00e9es de param\u00e8tres \u00e9tiquet\u00e9es<\/td>\n<td>Naturel car des param\u00e8tres inconnus peuvent \u00eatre des variables pouvant \u00eatre entra\u00een\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>R\u00e9gime de donn\u00e9es<\/td>\n<td>Fonctionne mieux avec des donn\u00e9es abondantes<\/td>\n<td>Peut bien fonctionner avec des donn\u00e9es int\u00e9rieures clairsem\u00e9es ou sans donn\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Garanties math\u00e9matiques<\/td>\n<td>g\u00e9n\u00e9ralement statistique<\/td>\n<td>Garanties rigoureuses limit\u00e9es<\/td>\n<\/tr>\n<tr>\n<td>Co\u00fbt de calcul \u00e0 l'inf\u00e9rence<\/td>\n<td>quasi-instantan\u00e9<\/td>\n<td>quasi-instantan\u00e9<\/td>\n<\/tr>\n<tr>\n<td>Co\u00fbt de la formation<\/td>\n<td>Mod\u00e9r\u00e9, mais la g\u00e9n\u00e9ration de donn\u00e9es peut \u00eatre co\u00fbteuse<\/td>\n<td>Souvent \u00e9lev\u00e9 car l'optimisation peut n\u00e9cessiter de nombreuses it\u00e9rations<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>La distinction fondamentale est la suivante&nbsp;: une m\u00e8re porteuse traditionnelle apprend une cartographie des entr\u00e9es aux sorties en voyant de nombreux exemples. Un PINN apprend une solution contrainte par les \u00e9quations gouvernantes. Vous n'avez pas besoin de milliers d'ex\u00e9cutions de simulation si vous connaissez d\u00e9j\u00e0 les conditions physiques et limites.<\/p>\n<h2>Quand utiliser les PINN : la matrice de d\u00e9cision<\/h2>\n<p>Les PINN ne sont pas un remplacement universel pour les solveurs traditionnels. Ils sont utiles dans des sc\u00e9narios sp\u00e9cifiques.<\/p>\n<h3>Quand les pinns conviennent parfaitement<\/h3>\n<ul>\n<li>probl\u00e8mes inverses. Les PINN peuvent aider \u00e0 d\u00e9couvrir des param\u00e8tres inconnus tels que la conductivit\u00e9, la diffusivit\u00e9 ou les taux de r\u00e9action \u00e0 partir d'observations clairsem\u00e9es.<\/li>\n<li>Espaces de param\u00e8tres de grande dimension. Les PINN peuvent traiter les param\u00e8tres comme des entr\u00e9es de r\u00e9seau et apprendre \u00e0 travers les plages de param\u00e8tres.<\/li>\n<li>G\u00e9om\u00e9tries irr\u00e9guli\u00e8res ou complexes. \u00c9tant donn\u00e9 qu'aucune g\u00e9n\u00e9ration de maillage n'est requise, vous pouvez \u00e9chantillonner des points dans le domaine et laisser le r\u00e9seau apprendre de la distribution des points de collocation.<\/li>\n<li>r\u00e9gimes de donn\u00e9es clairsem\u00e9es. Les contraintes physiques agissent comme r\u00e9gularisation lorsque les donn\u00e9es seules seraient insuffisantes.<\/li>\n<li>Probl\u00e8mes de multi-fid\u00e9lit\u00e9. Les PINN peuvent combiner des informations de fid\u00e9lit\u00e9 et de fid\u00e9lit\u00e9 plus faibles gr\u00e2ce \u00e0 des termes de perte pond\u00e9r\u00e9e.<\/li>\n<\/ul>\n<h3>Quand \u00e9viter les pins<\/h3>\n<ul>\n<li>Des probl\u00e8mes simples o\u00f9 les solveurs traditionnels fonctionnent d\u00e9j\u00e0 bien. Si un solveur standard converge rapidement et avec pr\u00e9cision, un PINN peut ajouter une complexit\u00e9 inutile.<\/li>\n<li>Probl\u00e8mes n\u00e9cessitant des limites d'erreur prouvables. Les PINN n'ont pas encore la m\u00eame th\u00e9orie de convergence que les m\u00e9thodes d'\u00e9l\u00e9ments finis ou de volume fini matures.<\/li>\n<li>Exigences \u00e9lev\u00e9es en mati\u00e8re de pr\u00e9cision \u00e0 proximit\u00e9 des singularit\u00e9s. Les pinnures standard peuvent lutter avec des gradients, des discontinuit\u00e9s et des couches limites.<\/li>\n<li>Cas o\u00f9 vous avez d\u00e9j\u00e0 un solveur valid\u00e9 et optimis\u00e9. Si votre solveur FVM ou FEM existant est rapide et pr\u00e9cis, il peut ne pas \u00eatre utile de le remplacer.<\/li>\n<\/ul>\n<h2>De vraies applications scientifiques<\/h2>\n<p>Les PINN ont \u00e9t\u00e9 appliqu\u00e9s dans de nombreux domaines scientifiques.<\/p>\n<p>En physique du plasma et en astrophysique, les PINN ont \u00e9t\u00e9 utilis\u00e9s pour r\u00e9soudre les \u00e9quations de Grad-Shafranov pour les \u00e9quations d'\u00e9quilibre magn\u00e9tique et de Lane-Emden pour la structure stellaire. Ces probl\u00e8mes peuvent impliquer des conditions aux limites mixtes qui sont difficiles pour certains solveurs traditionnels.<\/p>\n<p>Dans la dynamique des fluides, les PINN ont \u00e9t\u00e9 utilis\u00e9s pour d\u00e9duire des champs de vitesse pleine \u00e0 partir de donn\u00e9es de mesure clairsem\u00e9es en appliquant les \u00e9quations de Navier-Stokes en tant que contraintes.<\/p>\n<p>En imagerie biom\u00e9dicale, des mod\u00e8les bas\u00e9s sur la physique ont \u00e9t\u00e9 utilis\u00e9s pour filtrer et reconstruire les donn\u00e9es de flux tout en respectant les \u00e9quations de conservation de masse et de mouvement.<\/p>\n<p>En \u00e9lectrochimie, les PINN sont explor\u00e9s pour les syst\u00e8mes coupl\u00e9s de r\u00e9action-r\u00e9action, y compris la mod\u00e9lisation des \u00e9lectrodes de batterie lorsque les solutions analytiques ne sont pas disponibles.<\/p>\n<h2>Des pi\u00e8ges courants et comment les \u00e9viter<\/h2>\n<h3>1. D\u00e9s\u00e9quilibre des pertes<\/h3>\n<p>L'\u00e9chec d'entra\u00eenement le plus courant est un terme de perte dominant un autre. La perte physique peut \u00eatre beaucoup plus importante que la perte de donn\u00e9es, ou le contraire peut se produire. Lorsque cela se produit, le mod\u00e8le peut ignorer enti\u00e8rement une contrainte.<\/p>\n<p>Corrigez cela en normalisant les deux termes de perte. Utilisez des sch\u00e9mas de pond\u00e9ration adaptatifs qui ajustent <code>\u03bb_data<\/code> et <code>\u03bb_physics<\/code> en fonction de l'amplitude relative de chaque terme. Surveillez les deux pertes s\u00e9par\u00e9ment pendant la formation.<\/p>\n<h3>2. Minima locaux et stands d'entra\u00eenement<\/h3>\n<p>Les pinns peuvent rester bloqu\u00e9s dans de mauvais minimums locaux. Le r\u00e9seau peut satisfaire la perte physique tout en produisant une solution incorrecte, ou il peut s'adapter aux donn\u00e9es de limites tout en \u00e9chouant dans le domaine.<\/p>\n<p>Corrigez cela avec une formation bas\u00e9e sur le programme d'\u00e9tudes. Commencez par une version simplifi\u00e9e du probl\u00e8me, comme une forme en r\u00e9gime permanent ou une PDE plus simple, puis augmentez progressivement la complexit\u00e9. Vous pouvez \u00e9galement commencer avec moins de points de collocation et augmenter la couverture au fil du temps.<\/p>\n<h3>3. D\u00e9grad\u00e9s et discontinuit\u00e9s nets<\/h3>\n<p>Les points standards ont souvent des difficult\u00e9s avec des gradients, des discontinuit\u00e9s et des couches limites. Des fonctions d'activation fluides peuvent rendre difficile la repr\u00e9sentation de changements brusques.<\/p>\n<p>Corrigez cela avec le raffinement de points de collocation adaptatif. Points concentr\u00e9s o\u00f9 le r\u00e9sidu est le plus important. Vous pouvez \u00e9galement utiliser des formulations \u00e0 contrainte dure qui int\u00e8grent exactement les conditions aux limites, ou des PINN composites avec des r\u00e9seaux s\u00e9par\u00e9s sur diff\u00e9rentes r\u00e9gions.<\/p>\n<h3>4. Confiance excessive sans garanties<\/h3>\n<p>Les PINN peuvent produire des r\u00e9sultats visuellement plausibles qui sont toujours erron\u00e9s. Sans limites d'erreurs rigoureuses, il peut \u00eatre difficile de savoir o\u00f9 la solution est fiable.<\/p>\n<p>Corrigez cela en validant les pr\u00e9dictions de PINN par rapport aux benchmarks connus lorsque cela est possible. Entra\u00eenez plusieurs r\u00e9seaux avec des initialisations diff\u00e9rentes pour estimer la variance de pr\u00e9diction. Retrouvez les solveurs traditionnels sur des cas de test simples avant de faire confiance aux r\u00e9sultats sur des probl\u00e8mes complexes.<\/p>\n<h2>Mise en route : un flux de travail pratique<\/h2>\n<p>Utilisez le flux de travail suivant lors de la mise en \u0153uvre de PINN dans un projet de recherche.<\/p>\n<h3>\u00c9tape&nbsp;1&nbsp;: D\u00e9finissez le probl\u00e8me de mani\u00e8re formelle<\/h3>\n<p>\u00c9crivez la PDE sous forme r\u00e9siduelle. Identifiez tous les param\u00e8tres, conditions aux limites et conditions initiales. Clarifiez les donn\u00e9es dont vous disposez et ce que vous souhaitez d\u00e9couvrir.<\/p>\n<h3>\u00c9tape&nbsp;2&nbsp;: Choisissez votre cadre<\/h3>\n<p>PyTorch est largement utilis\u00e9 dans les didacticiels et les impl\u00e9mentations de PINN. Tensorflow est \u00e9galement courant. Si vous utilisez d\u00e9j\u00e0 Fipy pour les solveurs traditionnels, vous pouvez int\u00e9grer des PINN au niveau du flux de travail en les utilisant pour des probl\u00e8mes inverses ou une exploration rapide, puis en v\u00e9rifiant les r\u00e9sultats avec Fipy.<\/p>\n<h3>\u00c9tape&nbsp;3&nbsp;: Configurer l'architecture du r\u00e9seau<\/h3>\n<p>Commencez simplement : 2 \u00e0 3 couches cach\u00e9es, 50 \u00e0 100 neurones et <code>tanh<\/code> activation. Vous pouvez affiner plus tard. Ne pas trop concevoir l'architecture au d\u00e9but, car les contraintes physiques font une grande partie du travail.<\/p>\n<h3>\u00c9tape&nbsp;4&nbsp;: Exemples de points de collocation<\/h3>\n<p>Dessinez des points al\u00e9atoires uniform\u00e9ment \u00e0 l'int\u00e9rieur du domaine. Vous aurez peut-\u00eatre besoin de centaines ou de milliers de points en fonction de la complexit\u00e9 du probl\u00e8me. Pour les probl\u00e8mes multi-\u00e9chelles, utilisez un \u00e9chantillonnage non uniforme concentr\u00e9 l\u00e0 o\u00f9 la solution change le plus.<\/p>\n<h3>\u00c9tape&nbsp;5&nbsp;: Impl\u00e9mentez la fonction de perte<\/h3>\n<p>Cr\u00e9ez des termes de perte de donn\u00e9es et de pertes physiques distincts. Ajoutez la normalisation pour que leurs magnitudes soient comparables. Surveillez les deux termes de perte pendant la formation.<\/p>\n<h3>\u00c9tape&nbsp;6&nbsp;: Entra\u00eenez-vous et validez<\/h3>\n<p>Entra\u00eenez-vous d'abord avec Adam, en utilisant souvent un taux d'apprentissage proche de <code>1e-3<\/code>, puis passez \u00e0 L-BFGS pour un r\u00e9glage fin. Valider par rapport aux solutions analytiques ou aux solveurs traditionnels sur des probl\u00e8mes de r\u00e9f\u00e9rence avant d'appliquer le mod\u00e8le \u00e0 de nouveaux probl\u00e8mes.<\/p>\n<h2>L'avenir de PINN dans le calcul scientifique<\/h2>\n<p>Le champ Pinn \u00e9volue rapidement. Plusieurs d\u00e9veloppements valent le d\u00e9tour.<\/p>\n<h3>Apprentissage des op\u00e9rateurs<\/h3>\n<p>Au lieu d'apprendre une solution unique, les m\u00e9thodes d'apprentissage des op\u00e9rateurs visent \u00e0 apprendre la cartographie des conditions et param\u00e8tres initiaux aux champs de solution complets. Cela signifie qu'un mod\u00e8le form\u00e9 peut g\u00e9rer une famille de probl\u00e8mes plut\u00f4t qu'un cas fixe.<\/p>\n<h3>PhysiqueNemo<\/h3>\n<p>NVIDIA a rebaptis\u00e9 son cadre de modules en tant que Physicsnemo, signalant un int\u00e9r\u00eat plus large de l'industrie pour les outils d'intelligence artificielle inform\u00e9s par la physique.<\/p>\n<h3>D\u00e9composition du domaine<\/h3>\n<p>L'extension des PINN \u00e0 de tr\u00e8s gros probl\u00e8mes gr\u00e2ce \u00e0 la d\u00e9composition de domaine parall\u00e8le est un domaine de recherche actif. Cela compte pour d\u00e9placer les PINN des r\u00e9f\u00e9rences acad\u00e9miques vers de v\u00e9ritables charges de travail de simulation scientifique.<\/p>\n<h3>Approches hybrides<\/h3>\n<p>Les workflows hybrides combinent les PINN avec les solveurs traditionnels. Les PINN peuvent prendre en charge une exploration rapide ou une r\u00e9solution inverse de probl\u00e8mes, tandis que les solveurs FVM ou FEM v\u00e9rifi\u00e9s peuvent fournir une validation finale.<\/p>\n<h2>Guides connexes<\/h2>\n<p>Pour une couverture plus approfondie des sujets connexes dans les flux de travail en sciences informatiques&nbsp;:<\/p>\n<ul>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">substituts d'apprentissage automatique pour les simulations scientifiques<\/a> \u2014 Couverture plus large de l'acc\u00e9l\u00e9ration des mod\u00e8les ax\u00e9e sur les donn\u00e9es, y compris les processus gaussiens, polyn\u00f4mes Chaos et substituts du r\u00e9seau neuronal.<\/li>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">V\u00e9rification vs validation dans les simulations scientifiques<\/a> \u2014 Comment valider les pr\u00e9visions de PINN par rapport aux benchmarks.<\/li>\n<li><a href=\"\/using-fipy-for-phase-field-modeling\/\">Utilisation de FIPY pour la mod\u00e9lisation en champ de phase<\/a> - quand utiliser les m\u00e9thodes FVM traditionnelles au lieu de PINN pour les probl\u00e8mes de champ de phase.<\/li>\n<li><a href=\"\/performance-profiling-optimization-python-pde-solvers\/\">profilage des performances pour les solveurs Python PDE<\/a> \u2014 benchmarking pinns avec les solveurs traditionnels.<\/li>\n<\/ul>\n<h2>Besoin d'aide pour mettre en place des PINN pour votre simulation&nbsp;?<\/h2>\n<p>Les PINN sont puissants, mais ils ne sont pas triviaux \u00e0 impl\u00e9menter correctement. Ils peuvent \u00eatre utiles si vous travaillez sur :<\/p>\n<ul>\n<li>Probl\u00e8mes inverses avec des param\u00e8tres physiques cach\u00e9s.<\/li>\n<li>Mod\u00e9lisation de donn\u00e9es clairsem\u00e9es o\u00f9 le ML traditionnel s'ajusterait.<\/li>\n<li>Exploration rapide d'espaces de param\u00e8tres trop co\u00fbteux pour une simulation directe.<\/li>\n<li>Int\u00e9grer les contraintes physiques dans les pipelines de ML existants.<\/li>\n<\/ul>\n<p>Notre \u00e9quipe peut vous aider \u00e0 cr\u00e9er des mod\u00e8les bas\u00e9s sur la physique adapt\u00e9s aux flux de travail scientifiques, y compris l'int\u00e9gration avec Fipy et d'autres solveurs PDE. <a href=\"\/category\/issue-tracking-tickets-technical-requests\/\">Contactez-nous<\/a> pour discuter des besoins sp\u00e9cifiques de votre projet.<\/p>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<ol>\n<li>Raissi, M., Perdikaris, P., &amp; Karniadakis, G.E. (2019). R\u00e9seaux de neurones bas\u00e9s sur la physique&nbsp;: un cadre d'apprentissage profond pour r\u00e9soudre des probl\u00e8mes avanc\u00e9s et inverses impliquant des \u00e9quations aux d\u00e9riv\u00e9es partielles non lin\u00e9aires. <em>Journal de physique computationnelle<\/em>, 378, 724\u2013741.<\/li>\n<li>Karniadakis, G.E., Kevrekidis, I.G., Lu, L., et al. (2021). Apprentissage automatique bas\u00e9 sur la physique. <em>Nature examine la physique<\/em>, 3(6), 416\u2013428.<\/li>\n<li>Baty, H. (2024). Une introduction pratique aux r\u00e9seaux de neurones bas\u00e9s sur la physique pour r\u00e9soudre les \u00e9quations aux d\u00e9riv\u00e9es partielles. <em>Observatoire astronomique, Universit\u00e9 de Strasbourg<\/em>. arxiv&nbsp;:&nbsp;2403.00599.<\/li>\n<li>Cuomo, D., et al. (2022). Un examen complet de l'apprentissage automatique bas\u00e9 sur la physique pour la m\u00e9canique informatique. <em>Ordinateurs et amp; structures<\/em>.<\/li>\n<li>Karniadakis, G.E., et al. (2021). Apprentissage automatique bas\u00e9 sur la physique&nbsp;: une revue. <em>Nature examine la physique<\/em>.<\/li>\n<li>Wolf, T. (2024). R\u00e9seaux de neurones bas\u00e9s sur la physique&nbsp;: un didacticiel simple avec PyTorch. <em>moyen<\/em>.<\/li>\n<li>D\u00e9partement d'informatique d'Oxford. (2025-2026). Physique a inform\u00e9 les r\u00e9seaux de neurones et les programmes de cours.<\/li>\n<\/ol>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Points \u00e0 retenir cl\u00e9s Les r\u00e9seaux de neurones bas\u00e9s sur la physique int\u00e8grent des lois physiques directement dans la formation des r\u00e9seaux de neurones. Ils peuvent r\u00e9soudre des PDE sans g\u00e9n\u00e9ration de maillage traditionnelle ou sans jeux de donn\u00e9es massifs. Les substituts de ML traditionnels ont souvent besoin de nombreuses simulations pour s&rsquo;entra\u00eener. Les PINN [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/?p=340","iawp_total_views":1,"footnotes":""},"categories":[1],"tags":[15,13,14,16],"class_list":["post-1277","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-deep-learning","tag-neural-networks","tag-pde-solvers","tag-scientific-python","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:31:30+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"17 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques\",\"datePublished\":\"2026-08-21T14:31:30+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/\"},\"wordCount\":3356,\"commentCount\":0,\"keywords\":[\"deep learning\",\"neural networks\",\"PDE solvers\",\"scientific python\"],\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/\",\"name\":\"R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:31:30+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/physics-informed-neural-networks-pinns-for-scientific-simulations\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations","description":"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/","og_locale":"fr_FR","og_type":"article","og_title":"R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations","og_description":"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.","og_url":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:31:30+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Elena Markovska","Dur\u00e9e de lecture estim\u00e9e":"17 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques","datePublished":"2026-08-21T14:31:30+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/"},"wordCount":3356,"commentCount":0,"keywords":["deep learning","neural networks","PDE solvers","scientific python"],"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/","url":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/","name":"R\u00e9seaux de neurones bas\u00e9s sur la physique pour les simulations","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:31:30+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"D\u00e9couvrez comment les r\u00e9seaux de neurones bas\u00e9s sur la physique r\u00e9solvent des PDE, prennent en charge les probl\u00e8mes inverses, r\u00e9duisent les besoins en donn\u00e9es et comparent avec les substituts ML traditionnels.","breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/physics-informed-neural-networks-pinns-for-scientific-simulations\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"R\u00e9seaux de neurones bas\u00e9s sur la physique (PINN) pour les simulations scientifiques"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1277","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1277"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1277\/revisions"}],"predecessor-version":[{"id":1413,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1277\/revisions\/1413"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1277"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1277"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1277"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}