Minicursos Temáticos

Objetivos: O minicurso "Aprendizado de Máquina Quântico" tem como objetivo introduzir os participantes aos conceitos fundamentais do aprendizado de máquina clássico, seguido por uma apresentação da computação quântica aplicada ao aprendizado de máquina. Serão abordadas as bases teóricas necessárias para entender como os dados podem ser representados em computadores quânticos e como circuitos variacionais podem ser utilizados como modelos para aprendizado de máquina. Ao final do minicurso, os participantes terão uma compreensão inicial das técnicas e ferramentas que conectam o aprendizado de máquina com a computação quântica, permitindo vislumbrar as oportunidades e desafios dessa área emergente.

Ementa:

1. Revisão de Aprendizado de Máquina Clássico
2. Computação Quântica para Aprendizado de Máquina
3. Representando Dados em um Computador Quântico
4. Circuitos Variacionais como Modelos de Aprendizado de Máquina

1. M. Schuld and F. Petruccione. Machine Learning with Quantum Computers. Springer, 2021.
2. M. Schuld and F. Petruccione. Supervised Learning with Quantum Computers. Springer, 2018.

Objetivos: Organização e informação são imanentes aos fenômenos da vida. Sua expressão formal permite colocar qualquer dos componentes de um fenômeno num mesmo domínio de discurso. O objetivo deste curso é mostrar como eles podem transcender fenômenos puramente biológicos, lançando luz sobre fenômenos intelectuais e sociais. Para isto, representaremos o meio científico e suas instituições como organizações, em conformidade com o proposto por JG Miller, a usando para discutir comunicação inter-, multi-, e transdisciplinar, bem como o papel da comunicação na criatividade em grupos multi-disciplinares. Este enfoque propicia um entendimento mais abrangente e detalhado das dificuldades recorrentes neste tipo de pesquisa.

Ementa: Revisão compacta: Fenômenos. Sistemas, Modelos, Grafos de interação e comportamento dinâmico de sistemas. Características de organizações biológicas e os sistemas de JG Miller. Definição de organização e in-formação. Formalização de organizações: grafos todo-parte e o espaço Γ. Organizações “concretas” (ou sinexions) e o espaço B. In-formação (sinais, imprints, percepção, e interpretação). Relação com outros conceitos de informação e com antecipação. Meio científico e comunicação: O meio científico e sua caracterização como organizações vivas interagindo. Canais de transmissão. Aspectos semânticos da comunicação e contextos. Comunicação: diálogos, aprendizado, e pensamento. Comunicação inter-, multi-, e transdisciplinar. Comunicação científica e entre cientistas e não-cientistas. Discussão.

Bibliografia:

1. N. H. D. Bohr – Light and Life. Nature, 131(3309):421–423, 457–459, Apr. 1933. doi: 10.1038/131457a0.
2. N. H. D. Bohr, Atomic physics and human knowledge. Wiley, N. York, 1958 (reprinted as The philosophical writings of Niels Bohr, vol. 2, Ox Bow Press, Woodbridge, Connecticut, 1987). Chap. Physical Science and the Problem of Life.
3. N.C.A. da Costa – O Conhecimento Científico. Discurso Editorial/FAPESP, S. Paulo, 1997
4. N. R. Hanson – Patterns of Discovery: An Inquiry into the Conceptual Foundations of Science. Cambridge University Press, Cambridge, 1958.
5. M. V. Kritz – Creating bio-mathematical worlds. P & D Report 29/95, LNCC/MCT, Petrópolis, November 1995. Available at: https://www.researchgate.net/publication/256455867 Creating Bio-Mathematical Worlds.
6. M. V. Kritz – On relations between i-graphs and data structures. Logique et Analyse, 39 (153–154):153–164, 1996.
7. M. V. Kritz – Biological organizations. In R. Mondaini, editor, Proceedings of the IV Brazilian Symposium on Mathematical and Computational Biology — BIOMAT IV, volume 2, pages 89–103, Rio de Janeiro, 2005. BIOMAT Consortium, E-papers Serviços Editoriais Ltda
8. MV Kritz – Boundaries, interactions and environmental systems. Mecánica Computacional, XXIX:2673–2687, Noviembre 2010. URL: http://www.cimec.org.ar/ojs/index.php/mc/article/viewFile/3183/3110
9. M. V. Kritz – Revisiting the systemic golden years from a contemporary organisations’ perspective. In J. A. de Barros and D. Krause, editors, Festschrift in Honor of Francisco Antonio Doria. College Publications, London (In preparation, provisional title. Est. 2021). (versão preliminar disponível em Research Gate)
10. M. V. Kritz, From Systems to Organisations, Systems, 5(1):23 (Mar 2017). doi: 10.3390/systems5010023.
11. M. V. Kritz. De la modélisation à la créativité mathématique. In J.-Y. Beziau and D. Schulthess, eds, L’Imagination. Actes du 37e Congrès de l’ASPLF (Rio de Janeiro, 26-31 mars 2018), volume 1 of Academia Brasileira de Filosofia, pages 267–289, Londres, 2020. ASPLF, College Publications. ISBN 978-1-84890-337-1.
12. M. V. Kritz and M. T. dos Santos – On the hierarchical organization of metabolic networks: An underlying mathematical model. In R. Mondaini and R. Dilão, eds, Proceedings of the International Symposium on Mathematical and Computational Biology — BIOMAT 2005, pages 221–241, Rio de Janeiro, 2006. E-papers Serviços Editoriais Ltda. ISBN 85-7650-064-7.
13. M. V. Kritz and M. T. dos Santos – Dynamics, systems, dynamical systems and interaction graphs In M. M. Peixoto, D. Rand, and A. A. Pinto, eds., Dynamics, Games and Science II, volume 2, Springer Proceedings in Mathematics (Springer, 2011), p. 507. doi: 10.1007/978-3-642-14788-3 37.
14. M. Vieira Kritz – Scientific Milieu, Multi-discplinary Science, and Creativity. In N. Callaos, ed., Proceedings of the 26th World Multi-Conference on Systemics, Cybernetics and Informatics, Virtual Conference, July 12–15, 2022. https://doi.org/10.54808/WMSCI2022.03.58
15. M. D. Mesarović, editor, System Theory and Biology. Springer-Verlag, New York, NY, 1968.
16. J. G. Miller. Living Systems. McGraw-Hill Book Co., Inc., N. York, NY, 1978.
17. R. R. Mohler and A. Ruberti, eds., Recent Developments in Variable Structure Systems, Economics and Biology, volume 162 of Lecture Notes in Economics and Mathematical Systems, Springer-Verlag, Berlin Heidelberg, 1978. ISBN 3-540-09089-4
18. M. Nadin – Anticipation and dynamics: Rosen’s anticipation in the perspective of time. International Journal of General Systems, 39(1):3–33, 2010. URL: http://www.tandfonline.com/doi/abs/10.1080/03081070903453685.
19. R. Rosen – Life Itself: A Comprehensive Inquiry into the Nature, Origin, and Fabrication of Life. Complexity in Ecological Systems Series. Columbia University Press, New York, NY, 1991.
20. F. Schweitzer, editor, Self-organization of Complex Structures, from Individual to Collective Dynamics. CRC Press, Boca Raton, 1997.

Ementa:

1. Aula 1:
• Aspectos fisiológicos do escoamento sanguíneo: a circulação no corpo humano
• Princípios da mecânica dos fluidos: conservação da massa e do momento linear, equações de Navier-Stokes
• Equações constitutivas para o sangue: modelos Newtoniano e não Newtoniano
• Formulações variacionais: modelo de Stokes, formulação primal, formulação mista
2. Aula 2:
• Variantes de condições de contorno: prescrição da velocidade e da tração normal, prescrição da vazão e condições resistivas
• Formulações variacionais incluindo condições de contorno não convencionais
• Considerações para domínios deformáveis
3. Aula 3:
• Discretização das equações de Navier-Stokes: métodos de propósito geral, e métodos orientados para escoamento de domínios tubulares.
• Aspectos numéricos da aproximação
• Descrição do código de simulação desenvolvido para o minicurso
• Simulação em sala de aula: validação do código, visualização e post-processamento
4. Aula 4:
• Simulação do escoamento sanguíneo em geometrias parametrizadas
• Simulação do escoamento sanguíneo em modelos de pacientes específicos
• Variação das condições de contorno: comparação dos resultados
• Uso de modelos computacionais para simulação de condições fisiológicas e mudanças anatômicas
• Aula 5:
• Construção de modelos orientados a pacientes específicos
• Aplicações avançadas da hemodinâmica computacional
• Discussão sobre exercícios realizados em sala de aula

1. Blanco, PJ; Mansilla Alvarez, LA. Slides desenvolvidos para o mini-curso, 2023
2. Blanco, PJ; Mansilla Alvarez, LA. Código de simulação TEPEM4ED (TEPEM for education) desenvolvido para o mini-curso, 2023.

1. Taroco, EO; Blanco, PJ; Feijóo, RA. Introduction to the Variational Formulation in Mechanics: Fundamentals and Applications. 2020 – Wiley
2. Mansilla Alvarez, LA. An Effective Numerical Technique for Pipe-Like Domains and its Application in Computational Hemodynamics. Tese de Doutorado 2018, Orientador: Blanco, PJ – Laboratório Nacional de Computação Científica.
3. Bulant, CA. Computational Models for the Geometric and Functional Assessment of Coronary Circulation. Tese de Doutorado 2017, Orientador: Blanco, PJ – Laboratório Nacional de Computação Científica, Advisor: Pablo Javier Blanco
4. Mansilla Alvarez, LA; Bulant, CA; Ares, GD; Feijóo, RA; Blanco, PJ. A mid-fidelity numerical method for blood flow in deformable vessels. Computer Methods in Applied Mechanics and Engineering, v. 392, p. 114654, 2022.
5. Mansilla Alvarez, LA; Bulant, CA; Ares, GD; Feijóo, RA; Blanco, PJ. Feasibility of coronary blood fow simulations using mid-fdelity numeric and geometric models. Biomechanics and Modeling in Mechanobiology, v. 21, p. 317-334, 2022.
6. Mansilla Alvarez, LA; Blanco, PJ; Bulant, CA; Feijóo, RA. Towards fast hemodynamic simulations in large-scale circulatory networks. Computer Methods in Applied Mechanics and Engineering, v. 344, p. 734-765, 2019
7. Mansilla Álvarez, LA; Blanco, PJ; Bulant, CA; Dari, EA; Veneziani, A; Feijóo, RA. Transversally Enriched Pipe Element Method (TEPEM). An effective numerical approach for blood flow modeling. International Journal for Numerical Methods in Biomedical Engineering, v. 33, p. e2808, 2017

Objetivos: Introdução aos métodos de assimilação de dados, onde várias metodologias são descritas. Breve descrição de redes neurais (RN) e árvores de decisão (AD), sendo descritos: multilayer perceptron (MLP-RN), função de base radial (RBF-RN), aprendizado profundo (DL-RN), rede neural celular (Cell-RN), algoritmo XGBoost (AD). Com base no conteúdo apresentado, várias aplicações serão descritas na fase final do mini-curso. O objetivo é introduzir o participante na descrição e aplicação de técnicas de aprendizado de máquina em assimilação de dados.

Ementa:

1. Introdução a assimilação de dados: Necessidade da assimilação de dados, breve histórico da assimilação de dados.
2. Métodos 'clássicos' em assimilação de dados: Nudging, Métodos variacionais (3D/4D), Métodos Bayesianos: filtro de Kalman (FK), filtro de Kalman por conjunto (EnFK) e filtro de partículas (PF).
3. Técnicas de aprendizado de máquina (AM): breve descrição de redes neurais (MLP, RBF, DL, Cell-RN), algoritmo XGBoost.
4. Aprendizado de máquina para assimilação de dados: análise de complexidade, FK, EnFK, PF, 3D-Var/4D-Var, AM.
5. Aplicações. Modelos de baixa ordem: Lorenz-63, shallow water 1D. Circulação oceânica (shallow water 2D). Processamento paralelo para RN em assimilação de dados. Modelo regional de dinâmica da atmosfera: WRF. Modelo global de dinâmica da atmosfera: SPEED, COAPS-FSU, SPREADS.

1. V. A. Almeida, G. B. França, H. F. Campos Velho, N. F. Ebercken (2020): Artificial neural network for data assimilation by WRF model in Rio de Janeiro, Brazil. Revista Brasileira de Geofísica (impresso), 38, pp. 1-18.
2. J. A. Anochi, H. F. Campos Velho, R. Hernandez Torres (2019): Two geoscience applications by optimal neural network Architecture. Pure and Applied Geophysics, 1776, pp. 1.
3. M. Asch, M. Bocquet, M. Nodet (2016): Data Assimilation: Methods, Algorithms, and Applications. SIAM.
4. H. F. Campos Velho, H. C. M. Furtado, S. B. M. Sambatti, C. O. F. Barros, M. E. S. Welter, R. P. Souto, D. Carvalho, D. O. Cardoso (2022): Data assimilation by neural network for ocean circulation: Parallel implementation. Supercomputing Frontiers and Innovations, 9, pp. 74-86.
5. R. S. C. Cintra, H. F. Campos Velho (2018): Data assimilation by artificial neural networks for an atmospheric general circulation model. In: Adel El-Shahat. (Org.). Advanced Applications for Artificial Neural Networks. Intech, pp. 265-285.
6. R. Daley (1991): Atmospheric Data Analysis. Cambridge University Press.
7. G. Evensen, F. C. Vossepoel, P. J. van Leeuwen (2022): Data Assimilation Fundamentals: A Unified Formulation of the State and Parameter Estimation Problem. Springer.
8. E. Kalnay (2002): Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press.

Objetivos: Entender e ser capaz de projetas, construir Museus Virtuais.

1. Entender Museus Virtuais.
2. Entender processo de modelagem dos museus.
3. Experimentar a proposta de Museu e sua utilidade.
4. Realizar exemplo.

1. CALLERY, Bernadette G. Collaborative Access to virtual museum. I: _____. Collection Information. New York: The Hawort Information Press, 2004. v.7.
2. CASTELLS, Manuel. A galáxia da internet: reflexões sobre a internet os negócios e a sociedade. Rio de Janeiro: Zahar, 2003.
3. CASTELLS, Manuel. A Sociedade em Rede. São Paulo: Paz e Terra, 1999.
4. FERDANI, Daniele; PEGANO, Alfonsina; MORAMED, Farouk. Terminoly, Definitions and Types for Virtual Museums. Rome, 2014. Disponível em: <http://www.academia.edu/6090456/Terminology_definitions_and_types_of_Virtual_Museums>. Acesso em 17 maio 2016.
5. Gomes , Maria Antônia Lima. MUSEU VIRTUAL PARA O ANTIGO TEATRO SÃO JOÃO DA BAHIA, ATRAVÉS DE UMA ABORDAGEM SOCIOCONSTRUTIVISTA. 2017. Tese (Doutorado em Educação e Contemporaneidade) - Universidade do Estado da Bahia, . Orientador: Alfredo Eurico Rodrigues Matta.
6. MARTINS, LUCIANA CONCEIÇÃO DE ALMEIDA. HISTÓRIA PÚBLICA DO QUILOMBO CABULA: REPRESENTAÇÕES DE RESISTÊNCIAS EM MUSEU VIRTUAL 3D APLICADA À MOBILIZAÇÃO DO TURISMO DE BASE COMUNITÁRIA. 2017. Tese (Doutorado em Dout. Multi-instit. Multdisc. Difusão Conhecimento) - Universidade do Estado da Bahia, . Coorientador: Alfredo Eurico Rodrigues Matta.
7. MATTA, A. . Desenvolvimento de metodologia de design socioconstrutivista para a produção do conhecimento. In: GURGEL, Paulo; SANTOS, Wilson. (Org.). Saberes plurais, difusão do conhecimento e práxis pedagógica. 1ed.Salvador: EDUFBA, 2012, v. 1, p. 237-258.
8. MATTA, A. . Novas Linguagens para a História. Revista do Instituto Histórico e Geographico Brazileiro, v. 175, p. 267-290, 2014
9. MATTA, A. ; SILVA, F. P. S. ; BOAVENTURA, E. M. . Design-based research ou pesquisa de desenvolvimento: metodologia para pesquisa aplicada de inovação em educação do século XXI. Revista FAEEBA, v. 23, p. 23-36, 2014.
10. REIS, LARISSA DE SOUZA. MUSEU VIRTUAL DE CONTOS AFRICANOS E ITAN: CONTRIBUIÇÃO À IMPLEMENTAÇÃO DA LEI No. 10.639/03. 2017. Dissertação (Mestrado em Educação e Contemporaneidade) - Universidade do Estado da Bahia. Orientador: Alfredo Eurico Rodrigues Matta.

Objetivos: Apresentar conceitos básicos sobre aprendizado de máquina informado por física e ilustrá-los por meio de códigos em Python. São incluídas nessa apresentação as redes neurais informadas por física (PINNs) e as redes neurais profundas para aprendizado de operadores (DeepONets), bem como a relação das mesmas com métodos numéricos clássicos, notadamente métodos de elementos finitos.

Ementa: Apresentação do curso; Motivação; Introdução: Modelos físicos e modelos baseados em dados, Integração de modelos; PINNs: Breve revisão de redes neurais, Anatomia de uma PINN, PINNs aplicadas a problemas paramétricos, Exemplos de implementação; DeepONets; Combinando PINNs, DeepONets e métodos de elementos finitos; Conclusões.

Bibliografia:

1. Araya, Rodolfo, Christopher Harder, Diego Paredes, et al. “Multiscale Hybrid-Mixed Method”. In: SIAM Journal on Numerical Analysis 51.6 (2013), pp. 3505–3531. doi: 10.1137/120888223. eprint: https://doi.org/10.1137/120888223. url: https://doi.org/10.1137/120888223.
2. Araya, Rodolfo, Christopher Harder, Abner H. Poza, et al. “Multiscale hybrid-mixed method for the Stokes and Brinkman equationsThe method”. In: Computer Methods in Applied Mechanics and Engineering 324 (2017), pp. 29–53. issn: 0045-7825. doi: https://doi.org/10.1016/j.cma.2017.05.027. url: https://www.sciencedirect.com/science/article/pii/S0045782516305254.
3. Babuka, I. and J. E. Osborn. “Generalized Finite Element Methods: Their Performance and Their Relation to Mixed Methods”. In: SIAM Journal on Numerical Analysis 20.3 (1983), pp. 510–536. doi: 10.1137/0720034. eprint: https://doi.org/10.1137/0720034. url: https://doi.org/10.1137/0720034.
4. Bishop, Christopher M. Neural Networks for Pattern Recognition. Oxford University Press, Nov. 1995. isbn: 9780198538493. doi: 10.1093/oso/9780198538493.001.0001. url: https://doi.org/10.1093/oso/9780198538493.001.0001.
5. Cai, Shengze et al. “Physics-informed neural networks (PINNs) for fluid mechanics: a review”. In: Acta Mechanica Sinica 37.12 (Dec. 2021), pp. 1727–1738. issn: 1614-3116. doi: 10.1007/s10409-021-01148-1. url: https://doi.org/10.1007/s10409-021-01148-1.
6. Chen, Tianping and Hong Chen. “Universal approximation to nonlinear operators by neural networks with arbitrary activation functions and its application to dynamical systems”. In: IEEE Transactions on Neural Networks 6.4 (1995), pp. 911–917. doi: 10.1109/72.392253.
7. Cuomo, Salvatore et al. “Scientific Machine Learning Through Physics–Informed Neural Networks: Where we are and What’s Next”. In: Journal of Scientific Computing 92.3 (2022), p. 88. issn: 1573-7691. doi: 10.1007/s10915-022-01939-z. url: https://doi.org/10.1007/s10915-022-01939-z.
8. D. Jagtap, Ameya and George Em Karniadakis. “Extended Physics-Informed Neural Networks (XPINNs): A Generalized Space-Time Domain Decomposition Based Deep Learning Framework for Nonlinear Partial Differential Equations”. In: Communications in Computational Physics 28.5 (2020), pp. 2002–2041. issn: 1991-7120. doi: https://doi.org/10.4208/cicp.OA-2020-0164. url: http://global-sci.org/intro/article_detail/cicp/18403.html.
9. Dolean, Victorita et al. “Finite Basis Physics-Informed Neural Networks as a Schwarz Domain Decomposition Method”. In: Domain Decomposition Methods in Science and Engineering XXVII. Ed. by Zdenk Dostál et al. Cham: Springer Nature Switzerland, 2024, pp. 165–172. isbn: 978-3-031-50769-4.
10. E, Weinan and Bing Yu. “The Deep Ritz Method: A Deep Learning-Based Numerical Algorithm for Solving Variational Problems”. In: Communications in Mathematics and Statistics 6.1 (2018), pp. 1–12. issn: 2194-671X. doi: 10.1007/s40304-018-0127-z. url: https://doi.org/10.1007/s40304-018-0127-z.
11. Ellacott, S.W. “Aspects of the numerical analysis of neural networks”. In: Acta Numerica 3 (1994), pp. 145–202. doi: 10.1017/S0962492900002439.
12. Glorot, Xavier and Yoshua Bengio. “Understanding the difficulty of training deep feedforward neural networks”. In: Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics. Ed. by Yee Whye Teh and Mike Titterington. Vol. 9. Proceedings of Machine Learning Research. Chia Laguna Resort, Sardinia, Italy: PMLR, 13–15 May 2010, pp. 249–256. url: https://proceedings.mlr.press/v9/glorot10a.html.
13. Gomes, Antônio Tadeu Azevedo, Larissa Miguez da Silva, and Frédéric Valentin. “Improving Boundary Layer Predictions Using Parametric Physics-Aware Neural Networks”. In: High Performance Computing. Ed. by Philippe Navaux et al. Cham: Springer International Publishing, 2022, pp. 90–102. isbn: 978-3-031-23821-5.
14. Hao, Zhongkai et al. Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications. 2023. arXiv: 2211.08064 [cs.LG].
15. Harder, Christopher, Diego Paredes, and Frédéric Valentin. “A family of Multiscale Hybrid-Mixed finite element methods for the Darcy equation with rough coefficients”. In: Journal of Computational Physics 245 (2013), pp. 107–130. issn: 0021-9991. doi: https://doi.org/10.1016/j.jcp.2013.03.019. url: https://www.sciencedirect.com/science/article/pii/S0021999113001976.
16. He, Juncai et al. “ReLU Deep Neural Networks and Linear Finite Elements”. In: Journal of Computational Mathematics 38.3 (2020), pp. 502–527. issn: 1991-7139. doi: https://doi.org/10.4208/jcm.1901-m2018-0160. url: http://global-sci.org/intro/article_detail/jcm/15798.html.
17. Jagtap, Ameya D., Ehsan Kharazmi, and George Em Karniadakis. “Conservative physics-informed neural networks on discrete domains for conservation laws: Applications to forward and inverse problems”. In: Computer Methods in Applied Mechanics and Engineering 365 (2020), p. 113028. issn: 0045-7825. doi: https://doi.org/10.1016/j.cma.2020.113028. url: https://www.sciencedirect.com/science/article/pii/S0045782520302127.
18. Karpatne, Anuj et al. “Theory-Guided Data Science: A New Paradigm for Scientific Discovery from Data”. In: IEEE Trans. on Knowl. and Data Eng. 29.10 (2017), pp. 2318–2331. issn: 1041-4347. doi: 10.1109/TKDE.2017.2720168. url: https://doi.org/10.1109/TKDE.2017.2720168.
19. Khandelwal, Ankush et al. “An approach for global monitoring of surface water extent variations in reservoirs using MODIS data”. In: Remote Sensing of Environment 202 (2017). Big Remotely Sensed Data: tools, applications and experiences, pp. 113–128. issn: 0034-4257. doi: https://doi.org/10.1016/j.rse.2017.05.039. url: https://www.sciencedirect.com/science/article/pii/S003442571730247X.
20. Kharazmi, E., Z. Zhang, and G. E. Karniadakis. Variational Physics-Informed Neural Networks For Solving Partial Differential Equations. 2019. doi: 10.48550/ARXIV.1912.00873. url: https://arxiv.org/abs/1912.00873.
21. Kovachki, Nikola B. et al. “Neural Operator: Learning Maps Between Function Spaces With Applications to PDEs”. In: J. Mach. Learn. Res. 24 (2023), 89:1–89:97. url: https://api.semanticscholar.org/CorpusID:259149906.
22. Lanteri, Stéphane et al. “The Multiscale Hybrid-Mixed method for the Maxwell Equations in Heterogeneous Media”. In: Multiscale Modeling & Simulation 16.4 (2018), pp. 1648–1683. doi: 10.1137/16M110037X. eprint: https://doi.org/10.1137/16M110037X. url: https://doi.org/10.1137/16M110037X.
23. Lanthaler, Samuel, Siddhartha Mishra, and George E Karniadakis. “Error estimates for DeepONets: a deep learning framework in infinite dimensions”. In: Transactions of Mathematics and Its Applications 6.1 (Mar. 2022), tnac001. issn: 2398-4945. doi: 10.1093/imatrm/tnac001. eprint: https://academic.oup.com/imatrm/article-pdf/6/1/tnac001/42785544/tnac001.pdf. url: https://doi.org/10.1093/imatrm/tnac001.
24. Lazer, David et al. “The Parable of Google Flu: Traps in Big Data Analysis”. In: Science 343.6176 (2014), pp. 1203–1205. doi: 10.1126/science.1248506. eprint: https: //www.science.org/doi/pdf/10.1126/science.1248506. url: https://www.science.org/doi/abs/10.1126/science.1248506.
25. Li, Zongyi et al. Fourier Neural Operator for Parametric Partial Differential Equations. 2021. arXiv: 2010.08895 [cs.LG].
26. Lu, Lu et al. “Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators”. In: Nature Machine Intelligence 3.3 (Mar. 2021), pp. 218–229. issn: 2522-5839. doi: 10.1038/s42256-021-00302-5. url: https://doi.org/10.1038/s42256-021-00302-5.
27. Pinkus, Allan. “Approximation theory of the MLP model in neural networks”. In: Acta Numerica 8 (1999), pp. 143–195. doi: 10.1017/S0962492900002919.
28. Raissi, M., P. Perdikaris, and G.E. Karniadakis. “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations”. In: Journal of Computational Physics 378 (2019), pp. 686–707. issn: 0021-9991. doi: https://doi.org/10.1016/j.jcp.2018.10.045. url: https://www.sciencedirect.com/science/article/pii/S0021999118307125.
29. Tonti, Enzo. “Analysis of Physical Variables”. In: The Mathematical Structure of Classical and Relativistic Physics: A General Classification Diagram. New York, NY: Springer New York, 2013, pp. 89–153. isbn: 978-1-4614-7422-7. doi: 10.1007/978-1-4614-7422-7_5. url: https://doi.org/10.1007/978-1-4614-7422-7_5.
30. Valentin, Frederic, Diego Paredes, and Henrique Versieux. “On the Robustness of Multiscale Hybrid-Mixed Methods”. In: Mathematics of Computation (Oct. 2015). doi: 10.1090/mcom/3108.
31. Von Rueden, Laura et al. “Informed machine learning–a taxonomy and survey of integrating prior knowledge into learning systems”. In: IEEE Transactions on Knowledge and Data Engineering 35.1 (2021), pp. 614–633.
32. Wang, Sifan, Shyam Sankaran, et al. An Expert’s Guide to Training Physics-informed Neural Networks. 2023. arXiv: 2308.08468 [cs.LG].
33. Wang, Sifan, Hanwen Wang, and Paris Perdikaris. “On the eigenvector bias of Fourier feature networks: From regression to solving multi-scale PDEs with physics-informed neural networks”. In: Computer Methods in Applied Mechanics and Engineering 384 (2021), p. 113938. issn: 0045-7825. doi: https://doi.org/10.1016/j.cma.2021.113938. url: https://www.sciencedirect.com/science/article/pii/S0045782521002759.
34. Wu, Chenxi et al. “A comprehensive study of non-adaptive and residual-based adaptive sampling for physics-informed neural networks”. In: Computer Methods in Applied Mechanics and Engineering 403 (2023), p. 115671. issn: 0045-7825. doi: https://doi.org/10.1016/j.cma.2022.115671. url: https://www.sciencedirect.com/science/article/pii/S0045782522006260.