Réseau de neurones informé par la physique pour un module de puissance
Aperçu
En quoi consiste ce défi.
Entraînez un PINN sur la conduction thermique d’un module de puissance, validez vos prédictions et quantifiez l’incertitude. Obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment prédire rapidement et sans maillage coûteux le champ de température d'un module de puissance en respectant l'équation de la chaleur et ses conditions aux limites ?
Earning criteria — what you'll demonstrate
- Formuler une équation aux dérivées partielles et ses conditions aux limites comme termes d'une fonction de perte de PINN
- Entraîner et diagnostiquer la convergence d'un réseau informé par la physique face à une référence de calcul scientifique (MEF)
- Quantifier l'incertitude d'un substitut neuronal et en énoncer honnêtement les limites
- Comparer rigoureusement un modèle d'apprentissage scientifique à une méthode numérique établie
- Documenter un pipeline de machine learning scientifique de manière reproductible
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceApplied AI Scientist
Ce défi vous fait implémenter un modèle d'apprentissage scientifique de bout en bout, du cadrage physique à la validation quantitative — exactement le travail d'un scientifique en IA appliquée qui doit transformer un problème d'ingénierie en modèle entraînable et défendable face à des références numériques.
Ce défi renforce
- simulation
- uncertainty-quantification
- statistical-analysis
Chercheur Scientifique
La rigueur exigée — formuler la perte physique, valider contre la MEF, énoncer les limites — reproduit la démarche d'un chercheur qui doit prouver qu'une méthode nouvelle tient face à une méthode établie et documenter honnêtement ses écarts.
Ce défi renforce
- simulation
- statistical-analysis
- linear-regression