Learning solution operator of dynamical systems with diffusion maps kernel ridge regression

Item: Learning solution operator of dynamical systems with diffusion maps kernel ridge regression
Rating: 4
Author: PostSingularity Institute

par Prof. John Harlim

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine

🎙 Prof. John Harlim 👥 2K 📅 13 août 2026 ⏱ 69 min 👁 16 📄 exposé scientifique 🧭 2026-08-15

Disponible en : Français (actuel) English

Mots-clés

diffusion mapskernel ridge regressionsolution operatordynamical systemsmanifold learning

Résumé

L’exposé du professeur John Harlim présente une méthode pour apprendre l’opérateur de solution de systèmes dynamiques à partir de données, en utilisant une régression par noyau (kernel ridge regression) avec un noyau de diffusion maps. L’idée centrale est que les données de haute dimension reposent souvent sur une variété de basse dimension, et que l’on peut construire une base adaptée à cette variété via les diffusion maps. Harlim rappelle d’abord les fondements des diffusion maps, qui approximent l’opérateur de Laplace-Beltrami sur la variété à partir d’un nuage de points. Il introduit ensuite le noyau de diffusion maps, une version symétrisée qui converge vers le noyau de la chaleur, et dont l’espace de Hilbert à noyau reproduisant (RKHS) associé converge vers celui du noyau de la chaleur. Cette convergence permet de justifier l’utilisation de ce noyau pour la régression. Pour l’apprentissage de l’opérateur de solution, il propose de modéliser la dynamique comme une application de l’état à l’état suivant, et d’utiliser la régression par noyau pour approcher cette application. Il insiste sur l’importance du choix des hyperparamètres (largeur de bande epsilon et paramètre de régularisation lambda) et propose des métriques de validation adaptées, comme l’erreur de prédiction sur un horizon temporel ou le temps de prédiction valide pour les systèmes chaotiques. Il illustre la méthode sur des exemples numériques, montrant des paysages de temps de prédiction en fonction des hyperparamètres. L’exposé se termine par une discussion sur les perspectives et les limites de l’approche.

243 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’exposé présente une méthode originale et théoriquement fondée pour l’apprentissage de systèmes dynamiques, avec des justifications mathématiques solides (convergence du noyau, RKHS, etc.). L’argumentation est rigoureuse, s’appuyant sur des résultats publiés et des preuves formelles. L’orateur répond aux questions de l’auditoire avec précision, clarifiant les choix techniques. La démonstration est convaincante, bien que certains points restent ouverts (comme l’impact du choix du noyau sur la performance).

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : l’exposé s’appuie sur des travaux publiés (Coifman & Lafon, etc.) et présente des résultats de convergence avec des taux. Les sources sont de qualité, issues de la recherche académique. Le titre est en adéquation parfaite avec le contenu. Aucune séquence publicitaire n’est présente. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

152 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : l'exposé porte sur l'apprentissage d'opérateurs de solution de systèmes dynamiques via une méthode de régression à noyau utilisant un noyau de diffusion maps.

Qualité & fiabilité

8/10

Exposé technique rigoureux par un chercheur reconnu, s'appuyant sur des résultats mathématiques publiés et des preuves formelles. La présentation est dense et précise, avec des échanges techniques avec l'auditoire. Quelques limites : pas de démonstration complète, mais des références aux travaux.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Isaac Newton Institute — Site de l'institut organisateur du séminaire.
Page du séminaire — Page dédiée au séminaire, avec informations sur l'événement.

Sources concordantes

Diffusion maps — Méthode de réduction de dimension non linéaire, base de l'exposé.
Kernel ridge regression — Méthode de régression utilisée dans l'exposé.
Reproducing kernel Hilbert space — Espace fonctionnel associé au noyau, central dans l'analyse.

Apport & nouveautés

L’apport original de cet exposé réside dans l’utilisation du noyau de diffusion maps pour l’apprentissage d’opérateurs de solution de systèmes dynamiques, avec une justification théorique basée sur la convergence vers le noyau de la chaleur et son RKHS. La méthode proposée est une alternative aux réseaux de neurones, offrant une approche plus interprétable et potentiellement plus stable pour les systèmes chaotiques. L’accent mis sur le choix des hyperparamètres et les métriques de validation adaptées est également une contribution pratique importante.

Pour aller plus loin :

Diffusion maps — Article Wikipédia sur les diffusion maps, méthode de réduction de dimension non linéaire.
Kernel ridge regression — Article Wikipédia sur les méthodes à noyau, incluant la régression ridge.
Reproducing kernel Hilbert space — Article Wikipédia sur les espaces de Hilbert à noyau reproduisant, concept central de l’exposé.
Heat kernel — Article Wikipédia sur le noyau de la chaleur, lié à la convergence du noyau de diffusion maps.
Operator learning — Article Wikipédia sur l’apprentissage d’opérateurs, domaine émergent en apprentissage automatique.

168 mots

Profil radar

Le profil radar montre un niveau technique très élevé, avec des scores élevés en quantité et qualité d'information, mais une fiabilité globale légèrement inférieure en raison de la complexité du sujet et de l'absence de démonstrations complètes. La note globale reflète un exposé de très bonne facture, mais exigeant pour un public non spécialiste.

Fiabilité 8/10