Physics_AI_seminar

Διάρκεια: 12 ώρες (σε 4 ενότητες 3ωρης διάρκειας)
Μέσο: Διαδικτυακά (μέσω Zoom)
Ημερομηνίες/ώρες: 1-2 & 8-9 Νοεμβρίου 2025, 10:00 – 13:00.
Θα χορηγηθεί Βεβαίωση Παρακολούθησης
ΔΗΛΩΣΕΙΣ ΣΥΜΜΕΤΟΧΗΣ: Με email στη δ/νση lanscom@physics.auth.grδηλώνοντας ονοματεπώνυμο, ιδιότητα, Τμήμα & ΑΕΙ φοίτησης, στοιχεία επικοινωνίας.

(Θα τηρηθεί σειρά προτεραιότητας λόγω περιορισμένων θέσεων)

Πώς η Τεχνητή Νοημοσύνη (AI) αλλάζει τη Φυσική
Πώς ενσωματώνεται η Φυσική στη Μηχανική Μάθηση
Μoντέλα AI: Νευρωνικά Δίκτυα τύπου LSTM & CNN, Υπολογιστική Δεξαμενής (Reservoir Computing)
Physics-Informed Neural Networks (PINNs)
Να χρησιμοποιείς στην πράξη μοντέλα ΑΙ με γλώσσα Python και εφαρμογές τους στη Φυσική για:

Τι θα μάθεις...

Πρόβλεψη χρονοσειρών
Αναγνώριση προτύπων/προβλήματα ταξινόμησης

Οι 4 διδακτικές ενότητες περιλαμβάνουν...

Εισαγωγή στη Μηχανική Μάθηση & την Τεχνητή Νοημοσύνη

Σκοπός: H Εισαγωγή των εννοιών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης, καθώς και του σημαντικού ρόλου που μπορούν να διαδραματίσουν τα νευρωνικά δίκτυα στο πεδίο της Φυσικής.
- Παρουσίαση 1: Εισαγωγή στην Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση.
- Παρουσίαση 2: 10 Λόγοι για να χρησιμοποιήσεις τη Τεχνητή Νοημοσύνη στη Φυσική.
- Παρουσίαση 3: Εισαγωγή στην Python και στο Colab.

Εισηγητές: Χρήστος Βόλος και Ιωάννης Καφετζής Διάρκεια: 3 h

Εφαρμογές των Νευρωνικών Δικτύων στη Φυσική

Σκοπός:     H κατανόηση του τρόπου που η Τεχνητή Νοημοσύνη μπορεί να χρησιμοποιηθεί για την επίλυση προβλημάτων στη φυσική, όπως η πρόβλεψη συστημάτων, η ανάλυση δεδομένων ή η προσομοίωση φυσικών φαινομένων.
- Εφαρμογή 1: Χρησιμοποίηση ενός μοντέλου μηχανικής μάθησης (π.χ. LSTM) για την πρόβλεψη δυναμικών συστημάτων, όπως το σύστημα του Lorenz. Βήματα:   Προσομοίωση του δυναμικού συστήματος, προετοιμασία δεδομένων για εκπαίδευση του νευρωνικού δικτύου, εκπαίδευση του μοντέλου, αξιολόγηση του μοντέλου, και οπτικοποίηση αποτελεσμάτων
- Εφαρμογή 2:     Κατηγοριοποίηση εικόνων γαλαξιών με χρήση συνελικτικών νευρωνικών δικτύων Βήματα: Εύρεση και ανάλυση των δεδομένων εικόνας, προετοιμασία δεδομένων για εκπαίδευση του δικτύου, αξιολόγηση του μοντέλου.

Εισηγητής: Ιωάννης Καφετζής   Διάρκεια: 3 h

Physics Informed Neural Networks (PINNs)

Σκοπός:      Να κατανοήσουν οι συμμετέχοντες πώς μπορούν να ενσωματώσουν νόμους-εξισώσεις της Φυσικής στα νευρωνικά δίκτυα για να λύσουν προβλήματα που σχετίζονται με φυσικά φαινόμενα.
- Εφαρμογή 1:     Χρήση PINNs για την πρόβλεψη της συμπεριφοράς ταλαντωτών (μηχανικών και ηλεκτρικών). Βήματα: Εφαρμογή του PINN για την επίλυση προβλημάτων εξισώσεων με αρχικές και οριακές συνθήκες, λύση διαφορικών εξισώσεων, εκπαίδευση του μοντέλου, πρόβλεψη.
- Εφαρμογή 2:     Χρήση PINN για την επίλυση προβλημάτων με μερικές παραγώγους, για π.χ. στην εξίσωση διάχυσης. Βήματα: Δημιουργία του μοντέλου, εκπαίδευση του μοντέλου με τη βοήθεια των φυσικών εξισώσεων και αστικοποίηση των αποτελεσμάτων.

Εισηγητής: Λάζαρος Λασκαρίδης  Διάρκεια: 3 h

Υπολογιστική Δεξαμενής (Reservoir Computing)

Σκοπός:      Να κατανοήσουν οι συμμετέχοντες τι είναι και πώς χρησιμοποιείται στην πράξη η Υπολογιστική Δεξαμενής (Reservoir Computing), μία εναλλακτική μέθοδος αντίστοιχη των νευρωνικών δικτύων, για την επίλυση προβλημάτων της Φυσικής.
- Εφαρμογή 1:     Χρήση ενός μοντέλου (Echo State Network) για την πρόβλεψη των καταστάσεων ενός χαοτικού συστήματος (Σύστημα Lorenz).
- Εφαρμογή 2:     Εφαρμογή του Echo State Network για την αναγνώριση και πρόβλεψη χρονοσειρών από πραγματικά δεδομένα, π.χ. για οικονομικά μοντέλα.

Εισηγητής: Ιωάννης Αντωνιάδης  Διάρκεια: 3 h