Machine learning principles and applications in physics - Département de Physique de l'Ecole Normale supérieure

Les atouts de la formation Programme, cours et calendrier M1 ICFP 2023-2024 Emploi du temps 2023-2024 Liste des cours Stages Programme, cours et calendrier M1 ICFP 2022-2023 Emploi du temps 2022-2023 Liste des cours Stages Programme, cours et calendrier M2 ICFP 2023-2024 Premier semestre Deuxième semestre CORRESPONDANTS PARCOURS MATIERE CONDENSEE CORRESPONDANTS PARCOURS SOFT MATTER AND BIOLOGICAL PHYSICS CORRESPONDANTS PARCOURS PHYSIQUE QUANTIQUE CORRESPONDANTS PARCOURS PHYSIQUE THEORIQUE Suggestions for course compositions depending on your interests "Physics Now" Seminars 2019/2020 "Physics Now" Seminars 2020/2021 "Physics Now" Seminars 2021/2022 "Physics Now" Seminars 2023/2024 "Physics Now" Seminars 2022/2023 Stages Calendar 2023-2024 Programme, cours et calendrier M2 ICFP 2022-2023 Premier semestre Deuxième semestre CORRESPONDANTS PARCOURS MATIERE CONDENSEE CORRESPONDANTS PARCOURS SOFT MATTER AND BIOLOGICAL PHYSICS CORRESPONDANTS PARCOURS PHYSIQUE QUANTIQUE CORRESPONDANTS PARCOURS PHYSIQUE THEORIQUE Suggestions for course compositions depending on your interests "Physics Now" Seminars 2019/2020 "Physics Now" Seminars 2020/2021 "Physics Now" Seminars 2021/2022 "Physics Now" Seminars 2022/2023 Stages Calendar 2022-2023 Critères d’admission Candidatures en ligne Information pour les étudiants Information pour les étudiants internationaux Droits d’inscription et bourses Insertion professionnelle Intranet Master Archives Erreur ( A supprimer) Programme, cours et calendrier M1 ICFP 2021-2022 Programme, cours et calendrier M1 ICFP 2022-2023 Programme, cours et calendrier M2 ICFP 2021-2022 Programme, cours et calendrier M2 ICFP 2020-2021 Programme, cours et calendrier M2 ICFP 2019-2020 Archives 2015-2016 Archives 2016-2017 Archives 2017-2018 Archives 2018-2019 Archives 2019-2020 Archives 2020-2021

Machine learning principles and applications in physics

Accès rapides

Prochain Séminaire de la FIP :
Accéder au programme

Retrouvez toutes les informations pour vos stages :
Stages L3
Stages M1 ICFP

Actualités : Séminaire de Recherche ICFP
du 14 au 18 novembre 2022 :
Retrouvez le programme complet

Contact - Secrétariat de l’enseignement :
Tél : 01 44 32 35 60
enseignement@phys.ens.fr

Accès rapides

Prochain Séminaire de la FIP :
Accéder au programme

Retrouvez toutes les informations pour vos stages :
Stages L3
Stages M1 ICFP

Actualités : Séminaire de Recherche ICFP
du 14 au 18 novembre 2022 :
Retrouvez le programme complet

Contact - Secrétariat de l’enseignement :
Tél : 01 44 32 35 60
enseignement@phys.ens.fr

Lectures and projects : Tony Bonnaire and Jorge Fernandez de Cossio Diaz
ECTS credits : 6
Language of instruction : English
Keywords : Neural networks ; Supervised learning ; Generative models ; Deep learning ; Sampling ; Applications in physics.
Exam : Oral presentation

Prerequisites

Python basis for numerical analysis (ML-specific libraries are not required), knowledge in statistics (estimation, inference).

Description

In the first part (3 lectures), we will expose the bases of machine learning (supervised/unsupervised ML, optimization, regularization, neural networks, deep neural networks etc.) as well as the Python tools required to initiate a project (PyTorch).

After this short introduction we will present a set of projects (some are listed below) on which the students can work in groups of two during the whole semester. All the topics are linked with machine learning applied to a physics problem.
After some bibliographical work, students will have to find appropriate datasets and pre-process them to build and implement an algorithm that answers the problem. The work is done in partial autonomy with weekly interactions planned for each group with the supervisors.

Final examination

The exam consists of a 20-minute oral presentation of the proposed solution but also of the scientific approach followed throughout the project.

Projects

A non-exhaustive (and not definitive) list :
Estimating cosmological parameters from halo distribution in cosmological simulations,
Augmenting dark matter simulations’ resolution by deep generative models,
Deep symbolic regression for new physics,
Contrastive divergence learning in energy-based models,
Applications of autoregressive networks in statistical mechanics problems,
Accelerated sampling of energy landscapes with neural networks.

Bibliography

Carleo, Giuseppe, Ignacio Cirac, Kyle Cranmer, Laurent Daudet, Maria Schuld, Naftali Tishby, Leslie Vogt-Maranto, and Lenka Zdeborová. "Machine learning and the physical sciences." Reviews of Modern Physics 91, no. 4 (2019) : 045002.
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016. Freely available here : https://www.deeplearningbook.org/
PyTorch : https://pytorch.org/.

Accès rapides

Prochain Séminaire de la FIP :
Accéder au programme

Retrouvez toutes les informations pour vos stages :
Stages L3
Stages M1 ICFP

Actualités : Séminaire de Recherche ICFP
du 14 au 18 novembre 2022 :
Retrouvez le programme complet

Contact - Secrétariat de l’enseignement :
Tél : 01 44 32 35 60
enseignement@phys.ens.fr