• Διάρκεια: 12 ώρες (σε 4 ενότητες 3ωρης διάρκειας)
• Μέσο: Διαδικτυακά (Zoom)
• Ημερομηνίες/ώρες: 1-2 & 8-9 Νοεμβρίου 2025, 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 26 Οκτωβρίου, 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, Λάζαρος Λασκαρίδης, Mεταδιδάκτορας, Τμήμα Φυσικής ΑΠΘ

Διοργάνωση:
 Εργαστήριο Μη Γραμμικών Κυκλωμάτων, Συστημάτων & Πολυπλοκότητας (LaNSCom) 

Το σεμινάριο τελεί υπό την αιγίδα του Τμήματος Φυσικής ΑΠΘ 

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

ΥΛΙΚΟ

• ΑνακοίνωσηΤελευταία ενημέρωση: 07 Οκτωβρίου 2025 10:55
• ΑφίσαΤελευταία ενημέρωση: 07 Οκτωβρίου 2025 10:55