Où
Campus MIL Sciences
Prix
À partir de 100$
IVADO et le Centre de Recherches mathématiques de Montréal ont le plaisir d’accueillir une vingtaine d’experts internationaux dans le domaine de l’apprentissage automatique informé par la physique, qui partageront avec nous leurs dernières avancées sur l’analyse mathématique des méthodes utilisant des réseaux neuronaux. Car, malgré le déploiement et les efforts visant à intégrer les techniques d’apprentissage automatique dans les simulations numériques, de nombreux défis subsistent pour développer des méthodologies précises et efficaces pour leur intégration dans des applications pratiques.
L’atelier vise à relever ces défis et à répondre aux besoins liés au développement de nouvelles théories mathématiques sur l’estimation et le contrôle des erreurs. Nous explorerons comment améliorer la précision et l’efficacité des approximations par réseaux neuronaux destinées à la résolution d’équations différentielles partielles et à l’apprentissage des opérateurs.
Cette rencontre offrira également aux étudiants, postdocs et chercheurs de nombreuses opportunités de discussions enrichissantes avec des experts scientifiques sur ces sujets. Une session de posters et un cocktail informel sont également prévus au programme.
Nous vous encourageons vivement, ainsi que vos collaborateurs et étudiants, à présenter vos travaux lors de la session de posters et à saisir cette occasion pour engager des discussions avec nos invités et acquérir de nouvelles perspectives.
Comité Organisateur
Présentateurs/trices confirmé(e)s
Ben Adcock (Simon Fraser University), Ziad Aldirany (MAG Energy Solutions), Ramin Bostanabad (University of California, Irvine), Simone Brugipaglia (Concordia University), Tan Bui-Thanh, (The University of Texas at Austin), Zhiqiang Cai (Purdue University), Roger Ghanem (University of Southern California), Somdatta Goswami (Johns Hopkins University), Anthony Gruber, (Sandia National Laboratories), Eldad Haber (University of British Columbia), Amanda Howard (Pacific Northwest National Laboratory), Prashant Jha, (South Dakota School of Mines and Technology), Anastasis Kratsios (McMaster University), Ching-Yao Lai (Stanford University), Romit Maulik (Pennsylvania State University), Ignacio Muga (Pontificia Universidad Católica de Valparaíso), Habib Najm (Sandia National Laboratories), Adam Oberman (McGill University), Azzeddine Soulaïmani (École de technologie supérieure ÉTS), Panos Stinis (Pacific Northwest National Laboratory), Nat Trask (University of Pennsylvania), Kristoffer van der Zee, (University of Nottingham).
Programme
Mercredi 25 juin 2025
9:00 – 9:15 : Accueil
9:15 – 9:30 : Mot de bienvenue
9:30 – 10:00 : Multi-Stage Neural Networks Achieving Machine Precision
Ching-Yao Lai (Stanford University)
10:00 – 10:30 : Through Residual Correction and Beyond
Anastasis Kratsios (McMaster University)
10:30 – 11:00 : Pause
11:00 – 11:30 : Data-Driven Particle Dynamics: Structure Preserving Coarse-Graining for Non-Equilibrium Systems
Nat Trask (University of Pennsilvania)
11:30 – 12:00 : When Big Neural Networks Are Not Enough: Physics, Multifidelity and Kernels
Panos Stinis (Pacific Northwest National Laboratory)
12:00 – 14:00 : Pause lunch
14:00 – 14:30 : Hybrid Solvers: AI-Integrated Numerical Simulators for Reliable Real-Time Inference
Somdatta Goswami (Johns Hopkins University)
14:30 – 15:00 : Recent Advances in Neural Control of Finite Element Methods
Ignacio Muga (Pontificia Universidad Católica de Valparaíso)
15:00 – 15:30 : TBD
Tan Bui-Thanh (The University of Texas at Austin)
15:30 – 16:00 : Pause et installation des posters
16:00 – 16:30 : Présentations éclairs des posters
16:30 – 18:00 : Session de posters et cocktail
Jeudi 26 juin 2025
8:45 – 9:00 : Accueil
9:00 – 9:30 : Challenges When Integrating Neural Networks for Solving Parametric PDEs
David Pardo (Basque Center for Applied Mathematics)
9:30 – 10:00 : Quasi-Optimal Convergence Analysis of Minimal-Residual Neural-Network Methods for PDEs
Kristoffer van der Zee (University of Nottingham)
10:00 – 10:30 : CS4ML: A General Framework for Active Learning with Arbitrary Data Based on Christoffel Functions
Ben Adcock (Simon Fraser University)
10:30 – 11:00 : Pause
11:00 – 11:30 : Generalized Learning via Gaussian Processes
Ramin Bostanabad (University of California, Irvine)
11:30 – 12:00 : Probabilistic Estimates for Tail Probabilities
Roger Ghanem (University of Southern California)
12:00 – 14:00 : Pause lunch
14:00 – 14:30 : More of a Good Thing: Combining Multifidelity, Domain Decomposition, and New Architectures for Improved Physics-Informed Training
Amanda Howard (Pacific Northwest National Laboratory)
14:30 – 15:00 : Efficient Physics-Preserved Neural Network (P2NN) Methods for Interface Problems
Zhiqiang Cai (Purdue University)
15:00 – 15:30 : Reliable Neural Operators: Error Control
Prashant Jha (South Dakota School of Mines and Technology)
15:30 – 16:00 : Pause
16:00 – 16:30 : Generative Flow Models
Eldad Haber (University of British Columbia)
16:30 – 17:00 : Model Reduction for Accelerating Bracket-Based SciML,
Anthony Gruber (Sandia National Laboratories)
Vendredi 27 juin 2025
8:45 – 9:00 : Accueil
9:00 – 9:30 : Practical Existence Theorems for Deep Learning Approximation in High Dimensions
Simone Brugiapaglia (Concordia University)
9:30 – 10:00 : Advancements in PINNs for Fluid Mechanics: The PirateNet Architecture
Azzeddine Soulaïmani (École de technologie supérieure ÉTS)
10:00 – 10:30 : Predicting the Long-Term Behavior of Chaotic Dynamical Systems with Scientific Machine Learning
Romit Maulik (Pennsylvania State University)
10:30 – 11:00 : Pause
11:00 – 11:30 : A Multi-Level Approach to Error Reduction in Physics-Based Neural Networks
Ziad Aldirany (MAG Energy Solutions)
11:30 – 12:00 : Part I: Machine Learning and PDEs. Part II: AI Safety
Adam Oberman (McGill University)
12:00 – 12:30 : Mot de clôture
