Réseaux informés par la physique pour créer des modèles de substitution en électromagnétisme

Creating surrogate models with physics informed neural networks for electromagnetics

• Auteur / Autrice : Alexandre Pugin
• Direction : Stéphane Lanteri, Stéphane Descombes
• Type : Projet de thèse
• Discipline(s) : Doctorat sciences pour l'ingenieur
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
• Partenaire(s) de recherche : Laboratoire : INRIA - ATLANTIS - Modélisation et méthodes numériques pour le calcul d'interactions onde-matière nanostructurée

Mots clés

Mots clés libres

Réseaus informés par la physique

Apprentissage automatique scientifique

Equations de Maxwell

Equations différentielles partielles

Apprentissage profond

Physics-Informed Neural Networks

Scientific Machine Learning

Maxwell's equations

Partial Differential Equations

Deep Learning

Résumé

Cette thèse porte sur l'étude d'une nouvelle approche basée sur l'intelligence artificielle pour la construction de modèles de substitution en électromagnétisme numérique. Plus précisément, nous proposons d'explorer le concept de réseaux de neurones informés par la physique pour construire des simulateurs ultra-rapides de la propagation d'ondes électromagnétiques en régime temporel et en régime fréquentiel.

In this thesis, we will study a new approach based on artificial intelligence for the construction of substitution models in electromagnetism. More precisely, we propose to explore the concept of Physics informed neural networks to build ultra-fast simulators of the propagation of electromagnetic waves in time and frequency domains.