PINNs for Blood Flow Simulation|| ZENN for Heterogeneous Data-Driven Modeling || March 20, 2026

Valeur des informations & solidité de l’argumentation

Les deux présentations apportent des contributions originales et significatives. La première démontre l’efficacité des PINNs pour des problèmes biomédicaux complexes, avec des validations quantitatives et des comparaisons à des méthodes de référence. L’argumentation est solide, appuyée par des résultats numériques et des ablations. La seconde présente un cadre théorique novateur inspiré de la thermodynamique, avec des applications variées. L’argumentation est convaincante, bien que certains aspects théoriques soient moins détaillés. Les deux présentations sont bien structurées et les orateurs répondent aux questions de manière pertinente.

Rigueur scientifique, qualité des sources, adéquation du titre

Les présentations s’appuient sur des méthodes mathématiques et informatiques rigoureuses, avec des validations quantitatives. Les sources citées ne sont pas détaillées dans la description, mais les travaux semblent s’appuyer sur des publications académiques. Le titre est adéquat, bien que la concaténation des deux titres soit inhabituelle. La qualité des sources est bonne, mais l’absence de références explicites dans la description limite la vérifiabilité. L’adéquation titre/contenu est bonne, sans écart majeur.

Le titre reflète bien le contenu : deux présentations distinctes sur des méthodes de modélisation basées sur les données, l'une sur les PINNs pour la simulation de flux sanguin, l'autre sur ZENN pour la modélisation hétérogène.

7/10

Les deux présentations s'appuient sur des méthodes mathématiques et informatiques rigoureuses, avec des validations quantitatives et des comparaisons à des méthodes de référence. Les orateurs sont des chercheurs académiques, et les travaux semblent en cours de publication. Cependant, la vidéo est un séminaire enregistré, sans évaluation par les pairs directe, et certains détails techniques sont simplifiés.

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

• 00:00Introduction du séminaire et présentation des deux orateurs.
• 02:00Début de la première présentation : motivation et contexte sur la réserve de flux fractionnaire (FFR).
• 10:00Explication de la formulation ALE et du modèle de paroi élastique.
• 20:00Présentation de l'architecture des réseaux de neurones et de la stratégie d'entraînement.
• 30:00Résultats de simulation directe et comparaison avec la méthode des éléments finis.
• 40:00Introduction du problème inverse et de la reconstruction d'images de flux.
• 50:00Décomposition du problème inverse en sous-problèmes fluide et géométrique.
• 1:00:00Utilisation de la déformation quasi-conforme pour l'inférence de géométrie.
• 1:10:00Transition vers la deuxième présentation : introduction de ZENN et de la zentropie.
• 1:20:00Applications de ZENN en classification d'images et de textes, et en science des matériaux.

• Physics-Informed Neural Network for Blood Flow Simulation: Forward and Inverse Problem — Présentation de Han Zhang, mentionnée dans la description.
• ZENN: A Thermodynamics-Inspired Computational Framework for Heterogeneous Data-Driven Modeling — Présentation de Wenrui Hao, Zi-Kui Liu et Zhenlong Li, mentionnée dans la description.

• Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations — Article fondateur sur les PINNs, cité implicitement dans la première présentation.
• Zentropy theory for positive and negative thermal expansion — Article sur la théorie de la zentropie, pertinente pour la deuxième présentation.