Stochastic PINNs solvers|| Multi-Resolution Independent Simulations for Turbulence || March 27, 2026

Valeur des informations & solidité de l’argumentation

La première présentation apporte une contribution théorique originale en proposant une formulation rigoureuse des PINNs pour les EDS, avec une analyse mathématique solide (propriétés de la fonction de perte, existence et unicité du minimiseur). L’argumentation est bien structurée, même si elle reste à un niveau technique élevé. La seconde présentation présente une approche pratique pour surmonter les limitations de temps de calcul dans les simulations de turbulence, avec des résultats impressionnants en termes de résolution. L’argumentation est convaincante, s’appuyant sur des résultats numériques et des considérations pratiques. Les deux parties sont complémentaires et montrent l’importance des méthodes numériques avancées.

Rigueur scientifique, qualité des sources, adéquation du titre

Les présentations s’appuient sur des travaux académiques récents, notamment un preprint arXiv (2512.14258) pour la partie StPINNs. Les méthodes sont décrites avec précision et les résultats sont présentés de manière rigoureuse. Le titre est fidèle au contenu, bien qu’il soit très concis. La qualité des sources est bonne, mais on peut regretter l’absence de références plus détaillées dans la description de la vidéo. L’adéquation titre/contenu est bonne, sans pénalité significative.

Le titre reflète bien le contenu : deux présentations distinctes, l'une sur les PINNs stochastiques, l'autre sur les simulations multi-résolutions pour la turbulence.

8/10

Les deux présentations s'appuient sur des travaux académiques récents (prépublications arXiv) et des méthodes numériques éprouvées. Le niveau de détail technique est élevé, avec des démonstrations et des résultats numériques. Les intervenants sont des chercheurs reconnus dans leurs domaines respectifs.

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

• 02:00Introduction du séminaire et présentation des deux intervenants.
• 05:00Début de la première présentation : problème des EDS et objectifs des StPINNs.
• 10:00Transformation de Doss-Sussman et reformulation en problème de minimisation.
• 15:00Définition de la fonction de perte théorique et de ses propriétés.
• 20:00Discussion sur l'unicité du minimiseur et la non-convexité.
• 30:00Présentation des résultats numériques par Marcin Baranek.
• 1:00:00Début de la deuxième présentation : turbulence et calcul exascale.
• 1:10:00Présentation du paradigme MRIS et de ses avantages.
• 1:20:00Détails sur l'implémentation GPU et les résultats sur Frontier.
• 1:30:00Conclusion et questions-réponses.

• Stochastic PINNs: deep learning solvers for SDEs (preprint) — Présentation de la méthode StPINNs par les auteurs.

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