ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ ΣΤΗ ΦΥΣΙΚΗ

Γενικού Υποβάθρου

Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.

Με το τέλος του μαθήματος ο φοιτητής/τρια θα πρέπει να είναι σε θέση: - Να εξηγεί τις βασικές αρχές και να αξιολογεί τα πλεονεκτήματα και τους περιορισμούς της προσέγγισης της τεχνητής νοημοσύνης στην επίλυση προβλημάτων που σχετίζεται με το αντικείμενο της Φυσικής και όχι μόνο. - Θα είναι σε θέση να αντιμετωπίσει προβλήματα εφαρμογής της μηχανικής μάθησης τόσο με επίβλεψη όσο και χωρίς επίβλεψη. - Θα μπορεί να εφαρμόζει αυτές τις μεθόδους μηχανικής μάθησης σε διαφορετικά σενάρια και προβλήματα που σχετίζονται με το αντικείμενο της Φυσικής και όχι μόνο. - Θα είναι σε θέση να επιλέξει την καλύτερη μέθοδο μηχανικής μάθησης για τη λύση ενός συγκεκριμένου φυσικού προβλήματος με βάση τα χαρακτηριστικά του προβλήματος και των διαθέσιμων δεδομένων. - Να συγκρίνει και να αντιπαραβάλλει εναλλακτικούς αλγόριθμους μηχανικής μάθησης που χρησιμοποιούνται συχνά για την επίλυση προβλημάτων βελτιστοποίησης. - Να διακρίνει τους τύπους νευρωνικών δικτύων, όσον αφορά τα δεδομένα που μπορούν να επεξεργαστούν και τα προβλήματα που χρησιμοποιούνται για την επίλυση τους.

Περιεχόμενο Μαθήματος Εισαγωγή στην Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση: Ορισμοί και βασικές έννοιες (AI, ML, Deep Learning). Κατηγορίες μάθησης. Εφαρμογές μηχανικής μάθησης - περιορισμοί. Εισαγωγή στην Python και βασικές βιβλιοθήκες. Μάθηση με Επίβλεψη: Κριτήρια επίδοσης (accuracy, precision, recall, ROC) - σύγκριση μοντέλων. Μέθοδοι ταξινόμησης (k πλησιέστεροι γείτονες, δένδρα αποφάσεων). Πρακτική εφαρμογή στη πρόβλεψη φυσικών μεταβλητών από πειραματικά ή προσομοιωμένα δεδομένα. Τεχνητά Νευρωνικά Δίκτυα και Εκπαίδευση: Βασικές αρχές (Perceptron, λογιστική παλινδρόμηση, συνάρτηση softmax). Συνήθεις συναρτήσεις ενεργοποίησης (ReLU, tanh, sigmoid). Νευρωνικά δίκτυα πολλών στρωμάτων. Μοντέλα βαθιάς μάθησης (Deep Learning). Αναδρομικά και Συνελικτικά Νευρωνικά Δίκτυα – Εφαρμογές στη Φυσική: Αναδρομικά νευρωνικά δίκτυα (CNN, RNN, LSTM). Ανάλυση χρονοσειρών φυσικών συστημάτων. Αναγνώριση φάσεων ύλης μέσω CNN. Χάος και πρόβλεψη με LSTM. Επισκόπηση Εφαρμογών AI στη Φυσική: Εφαρμογές στην αστρονομία, στη φυσική υψηλών ενεργειών, στα χαοτικά συστήματα, και στη φυσική στερεάς κατάστασης. AI για επιτάχυνση προσομοιώσεων και λύση αντιστρόφως καθορισμένων προβλημάτων. Ανάλυση πειραματικών δεδομένων με εργαλεία μηχανικής μάθησης. Physics-Informed Neural Networks (PINNs): Ενσωμάτωση φυσικών νόμων στη διαδικασία εκπαίδευσης των νευρωνικών δικτύων. Διαφορικές εξισώσεις και PINNs. Παραδείγματα επίλυσης PDEs (π.χ. εξίσωση θερμότητας, κύματος). Χρήση αυτόματης παραγώγισης (automatic differentiation). Ανάλυση Πολύπλοκων και Μη Γραμμικών Συστημάτων. Ανακατασκευή ελκυστών (Takens), χρήση εντροπίας και εύρεση των εκθετών Lyapunov μη γραμμικών συστημάτων. SINDy και Symbolic Regression για εξαγωγή εξισώσεων από δεδομένα. Εφαρμογές σε μη γραμμικά δυναμικά συστήματα. Μάθηση με Ενίσχυση: Βασικές αρχές μάθησης με ενίσχυση (Reinforcement Learning - RL). Περιβάλλοντα - Κατάσταση, Δράση, Ανταμοιβή. Βελτιστοποίηση πολιτικής, εκμάθηση Q-values. Εφαρμογές RL σε συστήματα σωματιδίων και πλοήγηση ρομποτικών οχημάτων. Υπολογιστική Δεξαμενής (Reservoir Computing). Ορισμός - Βασικές αρχές - Πλεονεκτήματα. Βασικά πρότυπα υπολογιστών δεξαμενής: Echo State Networks (ESN), Liquid State Machines, Time Delay Reservoirs. Αρχιτεκτονικές υπολογιστών δεξαμενής και φυσικές υλοποιήσεις τους (οπτικά, κυκλωματικά, μηχανικά Reservoir). Eφαρμογή της Υπολογιστικής Δεξαμενής σε πρόβλεψη χρονοσειρών και αναγνώριση/κατηγοριοποίηση προτύπων.

Τεχνητή Νοημοσύνη, Μηχανική Μάθηση, Νευρωνικά Δίκτυα, Νευρωνικά Δίκτυα Υποβοηθούμενα από τη Φυσική, Υπολογιστική Δεξαμενής

22-07-2025