Je vais construire des réseaux neuronaux informés par la physique et des substituts mathématiques

Bienvenue dans le domaine de l'ingénierie de machine learning contraint par la physique de haut niveau.

La plupart des data scientists créent des modèles boîte noire non contraints qui violent les lois de conservation, échouent près des limites cinématiques et s'effondrent lorsqu'ils sont déployés sur des systèmes réels. Je comble le fossé entre la théorie mathématique lourde et la réalité physique en construisant des réseaux neuronaux informés par la physique (PINNs) robustes et des substituts mathématiques ultra-rapides.

Ce que j'apporte à votre projet :

• IA informée par la physique : Formulations de fonctions de perte personnalisées mappant des PDE, des ODE et des contraintes cinématiques réelles (par exemple, dynamique des pneus Pacejka, couches limites aérodynamiques).
• Exécution haute performance : Architectures d'entraînement en PyTorch spécialement conçues pour des prédictions de haute intégrité.
• Déploiement matériel prêt pour l'edge : Compilation et portage de substituts entraînés dans des boucles C++ ou Rust à zéro allocation, déterministes, conçues pour microcontrôleurs (ESP32) et plateformes Jetson.

Que vous optimisiez un système de contrôle en boucle fermée, construisiez une simulation de jumeau numérique ou entraîniez des modèles pour du matériel critique en matière de sécurité, je fournirai un code de qualité production avec des bancs de validation complets.

Veuillez m'envoyer un message avec vos contraintes mathématiques et les paramètres de votre dataset