Understanding PINN’s Failure Modes || Progressive Sharpening from Jacobian Alignment|| Nov 14, 2025

Valeur des informations & solidité de l’argumentation

Les présentations offrent une analyse approfondie des modes de défaillance des PINN, avec des explications théoriques et des résultats expérimentaux. Le premier exposé propose une solution originale (PINN Mamba) et démontre son efficacité sur plusieurs équations. Le second exposé apporte un éclairage nouveau sur la dynamique de l’entraînement, avec une méthodologie rigoureuse. Cependant, certaines affirmations de ‘state-of-the-art’ sont contestées lors des questions, et les comparaisons avec d’autres méthodes (comme la causalité) sont limitées. L’argumentation est globalement solide, mais des points restent à approfondir.

Rigueur scientifique, qualité des sources, adéquation du titre

Les travaux présentés s’appuient sur des publications récentes dans des conférences majeures (ICML, NeurIPS), ce qui garantit une certaine rigueur scientifique. Les sources citées dans la description sont les articles des présentateurs, mais aucune référence externe n’est mentionnée. Le titre est adéquat, bien que légèrement long. La discussion après les exposés montre une certaine critique constructive, mais les réponses restent parfois évasives. Globalement, la rigueur est correcte, mais des comparaisons plus exhaustives seraient nécessaires.

Le titre reflète bien le contenu : deux présentations sur les modes de défaillance des PINN et le phénomène de 'progressive sharpening'.

7/10

Présentation de travaux de recherche récents (ICML, NeurIPS) avec résultats expérimentaux détaillés, mais avec des comparaisons partielles et une discussion critique limitée.

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

• 00:00Introduction du séminaire et présentation des intervenants.
• 03:00Début de l'exposé de Chenhui Xu sur les modes de défaillance des PINN.
• 10:00Explication du fonctionnement des PINN et de leurs avantages.
• 20:00Présentation du problème de l'équation de convection et des échecs des PINN.
• 30:00Analyse des causes : désaccord continu-discret et biais de simplicité.
• 40:00Proposition de l'architecture PINN Mamba et résultats.
• 50:00Discussion avec l'audience sur les comparaisons avec d'autres méthodes.
• 1:00:00Début de l'exposé de Mark Lowell sur le progressive sharpening.
• 1:10:00Explication de l'alignement des matrices jacobiennes et de la loi de puissance.
• 1:20:00Conclusion et questions finales.

• Towards Understanding PINN’s Failure Modes - A Deep Dive into PINN’s Optimization and Implementation Flow — Article présenté par Chenhui Xu et Jinjun Xiong, publié à ICML 2025.
• Progressive Sharpening is Caused by Layerwise Jacobian Alignment — Article présenté par Mark Lowell, publié à NeurIPS 2025.

• Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations — Article fondateur des PINN par Raissi et al., cité implicitement dans la présentation.

• Causal inference for physics-informed neural networks — Méthode alternative pour traiter les modes de défaillance, mentionnée lors de la discussion comme non comparée.