KANDy: Kolmogorov-Arnold Networks for Dynamics and Emerging Variants

KANDy: Kolmogorov-Arnold Networks for Dynamics and Emerging Variants

par Dr. Kevin Slote

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQNRéseaux neuronaux et systèmes flous
🎙 Dr. Kevin Slote 👥 4K 📅 7 août 2026 ⏱ 56 min 👁 183 📄 revue de littérature 🧭 2026-08-15
Disponible en : Français (actuel) English

Mots-clés

KANDyKANSINDydécouverte d'équationsKoopman

Résumé

Le séminaire présente KANDy, une architecture neuronale inspirée des Kolmogorov-Arnold Networks (KAN) pour la découverte d’équations gouvernant des systèmes dynamiques. L’orateur, Dr. Kevin Slote, commence par motiver le besoin de méthodes plus robustes que les approches classiques comme SINDy, qui souffrent d’un problème de dépendance au choix du dictionnaire de fonctions. KANDy intègre un KAN à une couche unique avec une régression parcimonieuse, permettant d’apprendre le dictionnaire de manière flexible tout en conservant l’interprétabilité. La méthode est testée sur des systèmes ODE, PDE, des cartes discrètes et des problèmes de topologie computationnelle, comme la fibration de Hopf. Une extension, Deep-Koopman-KANDy, combine KANDy avec les opérateurs de Koopman pour apprendre le dictionnaire de manière plus profonde. L’orateur souligne l’importance de l’API agent-first pour rendre la méthode accessible, notamment dans le domaine de la santé. Les résultats montrent une bonne performance sur des systèmes chaotiques comme Lorenz, avec une prédiction sur plusieurs temps de Lyapunov. La présentation se termine par une discussion sur les applications potentielles et les travaux en cours.

169 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée, car la présentation introduit une méthode novatrice qui combine des concepts établis (KAN, SINDy, Koopman) pour résoudre un problème connu (le choix du dictionnaire). L’argumentation est solide, appuyée par des exemples concrets et des démonstrations sur des systèmes classiques. L’orateur explique clairement les limitations des méthodes existantes et comment KANDy les adresse. La preuve de l’obstruction quadratique est un point fort, justifiant le besoin d’une architecture large. Cependant, certaines affirmations restent à valider par les publications en cours d’examen.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne, avec des références à des travaux antérieurs (KAN, SINDy, Koopman) et des résultats expérimentaux. Les sources citées sont principalement les articles des auteurs, en cours de révision. Le titre est en adéquation avec le contenu, qui présente bien KANDy et ses variantes. La présentation est technique et s’adresse à un public averti, mais reste accessible grâce à des exemples illustratifs.

165 mots

Adéquation titre / contenu

Le titre correspond bien au contenu, qui présente la méthode KANDy et ses variantes.

Qualité & fiabilité

7/10

Exposé technique solide, basé sur des travaux de recherche en cours d'examen par les pairs, avec des démonstrations sur des systèmes classiques. Certaines affirmations restent à valider par la publication finale.

Moments clés

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

Sources citées

  • KANDy: Kolmogorov-Arnold Networks for Dynamics (article en révision) — Article principal présenté dans la vidéo
  • Deep-Koopman-KANDy (article en révision à NeurIPS) — Extension de KANDy combinée aux opérateurs de Koopman
  • Higher-order KANDy (article en préparation pour Nature Machine Intelligence) — Variante d'ordre supérieur de KANDy

Sources concordantes

  • Kolmogorov-Arnold Networks (article original) — Article fondateur des KAN, cité comme base de la méthode
  • SINDy: Sparse Identification of Nonlinear Dynamics — Méthode de référence pour la découverte d'équations, comparée à KANDy

Sources discordantes

  • Aucune source discordante identifiée — La présentation ne mentionne pas de travaux contradictoires.

Apport & nouveautés

L’apport principal de KANDy est de combiner les KAN avec la régression parcimonieuse pour résoudre le problème du choix du dictionnaire dans la découverte d’équations. La méthode permet d’apprendre le dictionnaire de manière flexible, réduisant la dépendance à une sélection a priori. L’extension Deep-Koopman-KANDy va plus loin en apprenant le dictionnaire via un opérateur de Koopman profond. Ces travaux ouvrent des perspectives pour l’application à des domaines où les modèles dynamiques sont difficiles à établir, comme la santé.

Pour aller plus loin :

111 mots

Profil radar

Le profil radar montre une bonne quantité d'informations et un niveau technique élevé, avec une fiabilité correcte. La qualité de l'information est bonne, mais la fiabilité globale est légèrement inférieure en raison du statut de prépublication des travaux.

Fiabilité 7/10

💬 Sur les 0 commentaires analysés, aucune tendance n'a pu être dégagée.