Un copiloto personalizado para agilizar la investigación y el desarrollo de PINN
Uno de los lanzamientos más interesantes del reciente DevDay de OpenAI son los GPT. Básicamente, los GPT son versiones personalizadas de ChatGPT que cualquiera puede crear para fines específicos. El proceso de configuración de un GPT viable no implica codificación, sino únicamente mediante el chat. Como resultado, desde el lanzamiento, la comunidad ha creado una variedad de GPT para ayudar a los usuarios a ser más productivos y crear más diversión en la vida.
Como profesional en el dominio de las redes neuronales basadas en la física (PINN), uso mucho ChatGPT (GPT-4) para ayudarme a comprender conceptos técnicos complejos, depurar problemas encontrados al implementar el modelo y sugerir nuevas ideas de investigación o soluciones de ingeniería. . A pesar de ser bastante útil, a menudo encuentro que ChatGPT tiene dificultades para brindarme respuestas personalizadas más allá de su conocimiento general de PINN. Aunque puedo modificar mis indicaciones para incorporar más información contextual, es una práctica que requiere bastante tiempo y, a veces, puede agotar rápidamente mi paciencia.
Ahora que tengo la posibilidad de personalizar ChatGPT fácilmente, se me ocurrió una idea: ¿por qué no desarrollar un GPT personalizado que actúe como un experto en PINN 🦸♀️, extraiga conocimiento de mis fuentes seleccionadas y se esfuerce por responder mis consultas sobre PINN de una manera personalizada? ?
Entonces, en esta publicación de blog, ¡veamos cómo hacerlo realidad! Comenzaremos presentando el proceso de construcción de nuestro GPT objetivo, brindando detalles sobre el diseño de la instrucción y la base de conocimientos proporcionada. Luego, veremos algunas demostraciones para ver cómo interactuar mejor con el GPT recién creado. Finalmente, abordaremos las oportunidades de desarrollo futuro.
¿Te resuena esta idea? comencemos🗺️📍🚶♀️
Este es otro blog de mi serie sobre aprendizaje automático basado en la física. Los otros incluyen:
Desentrañando el patrón de diseño de redes neuronales basadas en la física
Descubriendo ecuaciones diferenciales con PINN y regresión simbólica
Aprendizaje de operadores a través de DeepONet basado en física
Resolviendo problemas inversos con DeepONet basado en física