Physics-based Deep Learning पर किताब

• Physics-based Deep Learning Book v0.3 एक digital book है जो physics simulation और deep learning को साथ में कवर करती है, और executable examples के जरिए numerical analysis और neural networks को जोड़ने के तरीके सिखाती है
• GenAI edition में generative modeling का हिस्सा बढ़ाया गया है, और इसमें denoising, flow-matching, autoregressive learning, physics-integrated constraints, और diffusion-based graph network शामिल हैं
• सीखने का दायरा supervised learning से शुरू होकर physics loss constraints, differentiable simulation, diffusion approaches, reinforcement learning, और neural network architecture selection तक फैलता है
• आने वाले chapters airfoil के आसपास flow prediction, equation residual-based learning, inverse problem, और simulator को training loop में शामिल करने जैसे real physics problems के करीब उदाहरणों को कवर करते हैं
• सभी code examples browser में run और modify किए जा सकने वाले Jupyter Notebook केंद्रित हैं, इसलिए concepts पढ़ने भर तक सीमित नहीं रहते, बल्कि तुरंत experiment किए जा सकते हैं

---

physics simulation के लिए deep learning learning book

• Physics-based Deep Learning Book physics simulation क्षेत्र में deep learning को कवर करने वाली hands-on comprehensive guide है
• यह document theoretical explanation और interactive Jupyter Notebook को जोड़ता है, ताकि हर concept को तुरंत run करके verify किया जा सके
• कवर किए गए मुख्य topics ये हैं
  • पारंपरिक supervised learning
  • physics loss-constraints
  • differentiable simulation
  • probabilistic generative AI के लिए diffusion-based approach
  • reinforcement learning
  • advanced neural network architectures
• v0.3 यानी GenAI edition का प्रमुख addition generative modeling chapter है
  • denoising
  • flow-matching
  • autoregressive learning
  • physics-integrated constraints
  • diffusion-based graph networks
• physics simulation के लिए designed neural architectures पर dedicated section भी जोड़ा गया है, और सभी code examples को latest frameworks इस्तेमाल करने के लिए update किया गया है

घोषित chapters और practice का तरीका

• आगे के chapters में diffusion modeling से airfoil के आसपास fluid flow predict करने का तरीका कवर किया गया है
  • यह तरीका existing simulator को replace और outperform करने वाला probabilistic surrogate model देता है
• model equations को residual के रूप में इस्तेमाल करके network को solution represent करना सिखाने का तरीका भी शामिल है
  • residual constraints को differentiable simulation इस्तेमाल करके बेहतर किया जा सकता है
• पूरे simulator के साथ ज्यादा closely interact करके inverse problem solve करने का तरीका कवर किया गया है
  • simulator को training loop में डालने के तरीके से standard reinforcement learning techniques की convergence problems को bypass करने का उदाहरण दिखाया गया है
• उपयुक्त network architecture चुनना भी एक मुख्य topic है
  • global interaction और local interaction
  • continuous representation और discrete representation
  • structured graph mesh और unstructured graph mesh
• PBDL approaches को physics model को deep learning में integrate करने की strength धीरे-धीरे बढ़ने के क्रम में पेश किया गया है
  • हर approach के pros-cons और उपयोगी scenarios भी साथ में कवर किए गए हैं
• code examples browser में सीधे run किए जा सकने वाले Jupyter Notebook केंद्रित हैं
  • Google Colab teaser notebook में examples run और modify किए जा सकते हैं
• यह किताब TUM का Physics-based Simulation Group maintain करता है, और recent research papers का link collection भी साथ में देता है

[GN⁺]

Hacker News की राय

• Chris Rackauckas ने अक्टूबर 2022 की एक बेहद सघन overview talk में Scientific Machine Learning को महामारी, gravitational waves, pharmacometrics, ocean simulation आदि जैसे अलग-अलग क्षेत्रों के उदाहरणों के साथ पेश किया
  इसमें SciML के लिए open source और proprietary Julia libraries भी शामिल हैं, इसलिए इसमें जानकारी काफ़ी अधिक है
  https://www.youtube.com/watch?v=yHiyJQdWBY8

  • जानना चाहता हूँ कि “physics simulation ML engineer” जैसे roles के लिए hiring market कैसा है, क्या किसी को पता है

• लगता है शीर्षक को काफ़ी मजबूती से बदलना चाहिए। यह physics-based deep learning पर किताब नहीं है
  यह ज़्यादा उस deep learning approach पर किताब लगती है जिसे इस research group ने physics problems के लिए विकसित किया है, और मेरे हिसाब से यह बहुत महत्वपूर्ण संकेत है
  ऊपर से, यह व्यावहारिक रूप से उनके simulation framework Phi-Flow को काफ़ी push भी करती है, इसलिए इसे पूरे क्षेत्र का सटीक वर्णन करने वाली किताब कहना मुश्किल है

• Chris ने इस genre में अच्छा काम किया है, और physics या Scientific ML को support करने वाले Julia differential equation packages भी काफ़ी शानदार हैं
  https://www.stochasticlifestyle.com/the-essential-tools-of-s...

• मुझे पूरी किताब को PDF के रूप में डाउनलोड करने का तरीका नहीं मिल रहा। ऊपर वाला download button ऐसा लगता है कि वह सिर्फ़ individual pages ही डाउनलोड करता है
  जहाँ तक मुझे पता है, यह Jupyter Book से बनाया गया है, लेकिन documentation में भी इससे जुड़ी बात नहीं मिली
  [1] https://jupyterbook.org/en/stable/intro.html

  • https://github.com/tum-pbs/pbdl-book/issues/1 देख सकते हैं

• अच्छे additional materials के रूप में CRUNCH group YouTube के math+ML lectures, Steve Brunton की Physics Informed Machine Learning playlist, Steve Brunton की किताब “Data Driven Science and Engineering”, और ETH Zurich का Deep Learning in Scientific Computation हैं
  CRUNCH group YouTube: https://m.youtube.com/channel/UC2ZZB80udkRvWQ4N3a8DOKQ
  Steve Brunton playlist: https://m.youtube.com/playlist?list=PLMrJAkhIeNNQ0BaKuBKY43k...
  ETH Zurich lecture: https://m.youtube.com/playlist?list=PLJkYEExhe7rYY5HjpIJbgo-...

• 2021 में हुई पिछली चर्चा भी है
  https://news.ycombinator.com/item?id=28500577