Numerical methods in physics
Master PhysiqueParcours Subatomic and Astroparticle Physics
Description
The objective is to introduce machine learning approaches and numerical methods able to treat various physical questions
• Introduction to machine learning
• Supervised learning:
‣ Classification: support vector machine
‣ Classification/regression: decision tree
• Unsupervised learning:
‣ Clustering methods
‣ dimensional reduction
‣ Unified view of classical methods (FD, FE). Application to Helmholtz equation.
‣ Tensor method for large dimensional Schrodinger equation.
‣ Neural networks bases methods. Application to Grad-Shafranov PDE
‣ Eulerian methods. Applicationt to Radiative transfer
‣ Semi-Lagrangian methods. Application to linear Vlasov equation.
‣ Introduction to physical and data driven model reduction. Applications to previous PDE
Contacts
Responsable pédagogique
MCC
Les épreuves indiquées respectent et appliquent le règlement de votre formation, disponible dans l'onglet Documents de la description de la formation.
- Régime d'évaluation
- CT (Contrôle terminal, mêlé de contrôle continu)
- Coefficient
- 1.0
Évaluation initiale / Session principale - Épreuves
| Libellé | Type d'évaluation | Nature de l'épreuve | Durée (en minutes) | Coéfficient de l'épreuve | Note éliminatoire de l'épreuve | Note reportée en session 2 |
|---|---|---|---|---|---|---|
Oral exam | CT | EO | 20 | 0.50 | ||
Written report | CC | R | 0.50 |
Seconde chance / Session de rattrapage - Épreuves
| Libellé | Type d'évaluation | Nature de l'épreuve | Durée (en minutes) | Coéfficient de l'épreuve | Note éliminatoire de l'épreuve |
|---|---|---|---|---|---|
Oral exam | CT | EO | 20 | 0.50 | |
Written report | CT | R | 0.50 |