Transformer-Inspired Physics-Informed DeepONet|| From RoPINN to ProPINN ||Dec 19, 2025

Valeur des informations & solidité de l’argumentation

Les informations présentées sont d’une grande valeur pour la communauté scientifique : elles proposent des améliorations concrètes et efficaces des méthodes existantes, avec des gains de performance mesurables. L’argumentation est solide, appuyée par des expériences numériques sur plusieurs équations aux dérivées partielles et par des tests statistiques rigoureux. Les auteurs justifient clairement le choix de leurs variantes en les reliant à la physique sous-jacente (par exemple, l’utilisation des coefficients de Fourier pour l’équation de Burgers visqueuse). La discussion après le premier exposé montre une ouverture aux critiques et aux alternatives, renforçant la crédibilité.

Rigueur scientifique, qualité des sources, adéquation du titre

Les sources citées sont principalement les articles fondateurs de DeepONet (Lu et al., 2019) et de PINN (Raissi et al., 2019), ainsi que les travaux des intervenants (RoPINN, ProPINN). La qualité des sources est élevée, car il s’agit de publications dans des revues prestigieuses (Nature Machine Intelligence, Science Advances) ou de prépublications récentes. Le titre est adéquat, bien qu’il mélange deux sujets distincts. La rigueur scientifique est exemplaire : les méthodes sont détaillées, les résultats sont quantifiés et les incertitudes sont discutées.

Le titre reflète bien le contenu : deux présentations sur des améliorations de PINNs et DeepONets inspirées des transformers.

8/10

Exposés techniques de deux chercheurs (PNNL, MIT) présentant des travaux récents avec validation statistique rigoureuse (tests de Wilcoxon, Glass's Delta, corrélation de Spearman). Les méthodes sont détaillées et les résultats quantifiés. La fiabilité est élevée, mais les travaux ne sont pas encore publiés dans des revues à comité de lecture pour le second.

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

• 00:00Introduction du séminaire et présentation du premier intervenant.
• 02:00Début de l'exposé de Zhi-Feng Wei sur les DeepONets inspirés des transformers.
• 10:00Présentation des variantes BX, TL, EXTJ, TF et leur architecture.
• 20:00Résultats sur l'équation de Burgers visqueuse (viscosité 10^-3) : comparaison des variantes.
• 30:00Validation statistique : test de Wilcoxon, Glass's Delta, corrélation de Spearman.
• 40:00Résultats sur l'équation d'advection et discussion sur la variante BXTJ.
• 50:00Résultats sur l'équation de Korteweg-de Vries et conclusion du premier exposé.
• 1:00:00Début de l'exposé de Haixu Wu sur RoPINN et ProPINN.
• 1:10:00Présentation de RoPINN : optimisation par régions.
• 1:20:00Présentation de ProPINN : architecture inspirée des éléments finis.

• DeepONet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators — Article fondateur de DeepONet, cité comme référence pour l'architecture de base.
• Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations — Article fondateur des PINNs, cité comme référence pour l'incorporation de la physique.
• RoPINN: Region-based Optimization for Physics-Informed Neural Networks — Présentation de RoPINN par Haixu Wu, NeurIPS 2024.
• ProPINN: Propagation-aware PINN — Présentation de ProPINN par Haixu Wu, arXiv 2025.

• Modified DeepONet — Référence au DeepONet modifié, mentionné comme baseline dans l'exposé.