Machine Learning in Physics: Advanced Topics and Techniques - NFPL806

• Anglický název: Machine Learning in Physics: Advanced Topics and Techniques
• Zajišťuje: Katedra fyziky kondenzovaných látek (32-KFKL)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2025
• Semestr: letní
• E-Kredity: 3
• Rozsah, examinace: letní s.:2/1, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina, čeština
• Způsob výuky: prezenční
• Garant: prof. RNDr. Tomáš Novotný, Ph.D.; RNDr. Martin Žonda, Ph.D.; RNDr. Pavel Baláž, Ph.D.
• Vyučující: RNDr. Pavel Baláž, Ph.D.; RNDr. Martin Žonda, Ph.D.

Anotace

čeština

Kurz se věnuje pokročilým tématům strojového učení se zaměřením na jejich využití ve fyzikálních aplikacích. Obsah přesahuje rámec standardních úvodních kurzů. Každá lekce zahrnuje teoretický výklad doplněný praktickými ukázkami a diskuzí. Kurz je určen studentům, kteří mají znalosti základních technik strojového učení a chtějí se hlouběji seznámit s jejich aplikacemi ve fyzice a příbuzných vědních oborech.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

angličtina

This course covers advanced topics in Machine Learning with a focus on physical applications, extending beyond standard introductory material. Each lesson combines theoretical insights with practical, hands-on examples and group discussions. It is intended for students who are already familiar with the fundamentals of machine learning and are interested in exploring its advanced uses in physics and related scientific fields.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

Cíl předmětu

čeština

Cílem kurzu je poskytnout studentům přehled o současných výzkumných výzvách ve vědě a vybraných moderních metodách strojového učení používaných k jejich řešení.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

angličtina

The goal of the course is to provide students with an overview of current challenges in scientific research and selected modern machine learning techniques used to address them.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

Podmínky zakončení předmětu

čeština

Pro získání zápočtu je vyžadována aktivní účast na výuce, která zahrnuje docházku na hodiny a zapojení do přednášek a diskusí. Každý student obdrží projekt zaměřený na strojové učení, který bude během semestru dále rozvíjen a konzultován na cvičeních. Zkoušku bude tvořit prezentace zpracovaného projektu a následná diskuse na konci semestru.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

angličtina

To receive credit for the course, active participation is required. This includes regular attendance and engagement in lectures and discussions. Each student will be assigned a machine learning project, which will be developed throughout the semester and discussed during the practical sessions. The final evaluation will be based on the successful completion of the project and a 20-minute presentation at the end of the semester.

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

Literatura

čeština

1. Schutt et al.: Machine Learning Meets Quantum Physics, Springer (2020).

2. Kilpatrick: Deep Learning with Julia: deeplearningwithjulia.com.

3. F. Chollet: Deep learning v jazyku Python. Knihovny Keras, Tensorflow. Grada (2019).

4. P. Mehta, M. Bukov, C.-H. Wang, A. G. R. Day, C. Richardson, C. K. Fisher, and D. J. Schwab, A High-Bias: Low-Variance Introduction to Machine Learning for Physicists, Physics Reports 810, 1 (2019).

5. Anna Dawid et al.: Modern applications of machine learning in quantum sciences, arXiv:2204.04198 [quant-ph] (2022).

6. A. Tanaka,A .Tomiya, K. Hashimoto: Deep Learning and Physics, Springer Verlang (2021)

7. G. Carleo et al., Machine Learning and the Physical Sciences, Rev. Mod. Phys. 91, 045002 (2019).

Poslední úprava: Mikšová Kateřina, Mgr. (22.12.2022)

Sylabus

čeština

1. Aktuální témata strojového učení ve vědě

2. Interpretovatelné strojové učení

3. Automatická diferenciace pro strojové učení v programovacích jazycích Python a Julia

4. Neuromorfní výpočty. Základní pojmy a současný stav výzkumu v oblasti TensorFlow Quantum. Strojové učení a kvantové počítaní

5. Fyzikou informované neuronové sítě

6. Neuronové diferenciální rovnice

7. Velké jazykové modely, transformery

8. Difuzní modely

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)

angličtina

1. Recent topics of Machine Learning in Science

2. Interpretable Machine Learning

3. Automatic differentiation for Machine Learning in programming languages Python and Julia

4. Neuromorfic computing. Basic concepts and current state of the research in the field TensorFlow Quantum. Machine Learning and Quantum computing

5. Physics-informed Neural Networks

6. Neural Differential Equations

7. Large Language Models, Transformers

8. Diffusion models

Poslední úprava: Mikšová Kateřina, Mgr. (12.06.2025)