Résumé
Dans cette présentation, nous discuterons des opportunités d'accélération de simulation des systèmes physique à l'équilibre avec l'apprentissage automatique. Ces méthodes reposent largement sur des modèles génératifs profonds qui sont des modèles probabilistes très flexibles, capables de fournir des échantillons indépendants de distributions complexes à coûts négligeables. Ils peuvent être mis à contribution pour faciliter la simulation d'une distribution de
Boltzmann, une tâche généralement difficile soit en raison de la dimensionnalité, de la multi-modalité, du mauvais conditionnement ou d'une combinaison des précédentes. Nous présenterons différentes méthodes combinant simulation classique et apprentissage, quelques exemples d'application et discuterons les défis restants.
