Un copilota personalizzato per razionalizzare la ricerca e lo sviluppo PINN
11 ore fa
Una delle versioni più interessanti del recente DevDay di OpenAI sono i GPT. Essenzialmente, i GPT sono versioni personalizzate di ChatGPT che chiunque può creare per scopi specifici. Il processo di configurazione di un GPT funzionante non prevede alcuna codifica ma esclusivamente tramite chat. Di conseguenza, dal momento del rilascio, la comunità ha creato diversi GPT per aiutare gli utenti a essere più produttivi e creare più divertimento nella vita.
Come professionista nel campo delle reti neurali informate dalla fisica (PINN), utilizzo molto ChatGPT (GPT-4) per aiutarmi a comprendere concetti tecnici complessi, eseguire il debug dei problemi riscontrati durante l’implementazione del modello e suggerire nuove idee di ricerca o soluzioni ingegneristiche . Nonostante sia piuttosto utile, spesso trovo che ChatGPT abbia difficoltà a darmi risposte personalizzate che vanno oltre la sua conoscenza generale del PINN. Anche se posso modificare i miei suggerimenti per incorporare più informazioni contestuali, è una pratica piuttosto dispendiosa in termini di tempo e a volte può esaurire rapidamente la mia pazienza.
Ora, con la possibilità di personalizzare facilmente ChatGPT, mi è venuto in mente un pensiero: perché non sviluppare un GPT personalizzato che agisca come un esperto PINN 🦸♀️, tragga conoscenza dalle mie fonti curate e si sforzi di rispondere alle mie domande sul PINN in modo personalizzato ?
Quindi, in questo post del blog, vediamo come trasformarlo in realtà! Inizieremo con l’introduzione del processo di creazione del nostro GPT target, fornendo dettagli sulla progettazione delle istruzioni e sulla base di conoscenza fornita. Successivamente, esamineremo alcune demo per vedere come interagire al meglio con il GPT appena creato. Infine, parleremo delle opportunità di sviluppo futuro.
Ti risuona questa idea? cominciamo🗺️📍🚶♀️
Questo è un altro blog sulla mia serie di machine learning basato sulla fisica. Gli altri includono:
Svelare il modello di progettazione delle reti neurali informate dalla fisica
Alla scoperta delle equazioni differenziali con PINN e regressione simbolica
Apprendimento degli operatori tramite DeepONet basato sulla fisica
Fonte: towardsdatascience.com
