Δωρεάν Διαδικτυακό Σεμινάριο
Η Τεχνητή Νοημοσύνη στη Φυσική & Η Φυσική στην Τεχνητή Νοημοσύνη
2ος Κύκλος
- Διάρκεια: 12 ώρες (σε 4 ενότητες 3ωρης διάρκειας)
- Μέσο: Διαδικτυακά (Zoom)
- Ημερομηνίες/ώρες: 7–8 & 14–15 Μαρτίου 2026, 10:00 – 13:00.
- Θα χορηγηθεί Βεβαίωση Παρακολούθησης
Απευθύνεται σε:
Προπτυχιακούς & Μεταπτυχιακούς Φοιτητές/τριες Φυσικής
Δήλωσε συμμετοχή: Με email στο lanscom@physics.auth.gr, μέχρι 28 Φεβρουαρίου 2026, αναφέροντας Ονοματεπώνυμο, Ιδιότητα, Τμήμα και ΑΕΙ φοίτησης, Στοιχεία επικοινωνίας
Θα τηρηθεί σειρά προτεραιότητας λόγω περιορισμένων θέσεων
Τι θα μάθεις:
- Πώς η Τεχνητή Νοημοσύνη (AI) αλλάζει τη Φυσική
- Πώς ενσωματώνεται η Φυσική στη Μηχανική Μάθηση
- Να χρησιμοποιείς μοντέλα ΑΙ σε Python & εφαρμογές τους στη Φυσική για:
- Πρόβλεψη χρονοσειρών
- Αναγνώριση προτύπων
- Physics-Informed Neural Networks (PINNs)
- Reservoir Computing
Εισηγητές:
Χρήστος Βόλος, Καθηγητής, Εργαστήριο Μη Γραμμικών Κυκλωμάτων, Συστημάτων & Πολυπλοκότητας, Τμήμα Φυσικής ΑΠΘ
Ιωάννης Αντωνιάδης, ΕΔΙΠ, Εργαστήριο Μη Γραμμικών Κυκλωμάτων, Συστημάτων & Πολυπλοκότητας, Τμήμα Φυσικής ΑΠΘ
Ιωάννης Καφετζής, AI Group Leader, Interventional and Experimental Endoscopy (InExEn), University Hospital of Würzburg, Würzburg, Germany
Λάζαρος Λασκαρίδης, Mεταδιδάκτορας, Τμήμα Φυσικής ΑΠΘ
Διοργάνωση: Εργαστήριο Μη Γραμμικών Κυκλωμάτων, Συστημάτων & Πολυπλοκότητας (LaNSCom) 
Οι 4 διδακτικές ενότητες περιλαμβάνουν:
Ενότητα 1: Εισαγωγή στη Τεχνητή Νοημοσύνη και στη Μηχανική Μάθηση
Σκοπός: H Εισαγωγή των εννοιών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης, καθώς και του σημαντικού ρόλου που μπορούν να διαδραματίσουν τα νευρωνικά δίκτυα στο πεδίο της Φυσικής.
– Παρουσίαση 1: Εισαγωγή στην Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση.
– Παρουσίαση 2: 10 Λόγοι για να χρησιμοποιήσεις τη Τεχνητή Νοημοσύνη στη Φυσική.
– Παρουσίαση 3: Εισαγωγή στην Python και στο Colab.
Εισηγητές: Χρήστος Βόλος και Ιωάννης Καφετζής
Διάρκεια: 3 h
Ενότητα 2: Εφαρμογές των Νευρωνικών Δικτύων στη Φυσική
Σκοπός: H κατανόηση του τρόπου που η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την επίλυση προβλημάτων στη φυσική, όπως η πρόβλεψη συστημάτων, η ανάλυση δεδομένων ή η προσομοίωση φυσικών φαινομένων.
– Εφαρμογή 1: Χρησιμοποίηση ενός μοντέλου μηχανικής μάθησης (π.χ. LSTM) για την πρόβλεψη δυναμικών συστημάτων, όπως το σύστημα του Lorenz.
Βήματα: Προσομοίωση του δυναμικού συστήματος, προετοιμασία δεδομένων για εκπαίδευση του νευρωνικού δικτύου, εκπαίδευση του μοντέλου, αξιολόγηση του μοντέλου, και οπτικοποίηση αποτελεσμάτων.
– Εφαρμογή 2: Κατηγοριοποίηση εικόνων γαλαξιών με χρήση συνελικτικών νευρωνικών δικτύων.
Βήματα: Εύρεση και ανάλυση των δεδομένων εικόνας, προετοιμασία δεδομένων για εκπαίδευση του δικτύου, αξιολόγηση του μοντέλου.
Εισηγητής: Ιωάννης Καφετζής
Διάρκεια: 3 h
Ενότητα 3: Physics Informed Neural Networks (PINNs)
Σκοπός: Να κατανοήσουν οι συμμετέχοντες πώς μπορούν να ενσωματώσουν νόμους-εξισώσεις της Φυσικής στα νευρωνικά δίκτυα για να λύσουν προβλήματα που σχετίζονται με φυσικά φαινόμενα.
– Εφαρμογή 1: Χρήση PINNs για την πρόβλεψη της συμπεριφοράς ταλαντωτών (μηχανικών και ηλεκτρικών).
Βήματα: Εφαρμογή του PINN για την επίλυση προβλημάτων εξισώσεων με αρχικές και οριακές συνθήκες, λύση διαφορικών εξισώσεων, εκπαίδευση του μοντέλου, πρόβλεψη.
– Εφαρμογή 2: Χρήση PINN για την επίλυση προβλημάτων με μερικές παραγώγους, για π.χ. στην εξίσωση διάχυσης.
Βήματα: Δημιουργία του μοντέλου, εκπαίδευση του μοντέλου με τη βοήθεια των φυσικών εξισώσεων και αστικοποίηση των αποτελεσμάτων.
Εισηγητής: Λάζαρος Λασκαρίδης
Διάρκεια: 3 h
Ενότητα 4: Υπολογιστική Δεξαμενής (Reservoir Computing)
Σκοπός: Να κατανοήσουν οι συμμετέχοντες τι είναι και πώς χρησιμοποιείται η Υπολογιστική Δεξαμενής (Reservoir Computing), μια εναλλακτική μέθοδος αντίστοιχη των νευρωνικών δικτύων, για την επίλυση προβλημάτων της Φυσικής.
– Εφαρμογή 1: Χρήση ενός μοντέλου (Echo State Network) για την πρόβλεψη των καταστάσεων ενός χαοτικού συστήματος.
Βήματα: Δημιουργία του συστήματος, εκπαίδευση του μοντέλου και αξιολόγηση της απόδοσης.
– Εφαρμογή 2: Εφαρμογή των Echo State Networks για αναγνώριση και πρόβλεψη χρονοσειρών από πραγματικά δεδομένα, π.χ. από οικονομικά μοντέλα.
Βήματα: Ανάλυση δεδομένων, εκπαίδευση του μοντέλου και αξιολόγηση της πρόβλεψης.
Εισηγητής: Ιωάννης Αντωνιάδης
Διάρκεια: 3 h
