# Quando o modelo já sabe a física
HTML canônico: https://dsti.school/pt/techblog/assimilacao-dados-modelos-fisicos
Esta versão em português brasileiro é gerada pelo mesmo build do site estático da DSTI que a página HTML canônica. Ela se destina à leitura por máquinas e à consulta concisa.
[DSTI TechBlog](https://dsti.school/pt/techblog) / IA é matemática
Corpo docente IA é matemática
Um modelo oceânico pode obedecer às equações da dinâmica dos fluidos e ainda partir de um estado incorreto do oceano. Um satélite pode medir com precisão a altura da superfície do mar e, mesmo assim, enxergar apenas fragmentos. Os professores Jacques Blum e Didier Auroux trabalham há décadas na matemática que reúne essas verdades incompletas e, na DSTI, em uma sequência de disciplinas que conduz os estudantes do cálculo elementar até essa mesma fronteira de pesquisa. Este artigo trata do campo, dos métodos e do percurso de ensino que leva até eles.
JB
DA
Destaque da pesquisa: Pr Jacques Blum e Pr Didier Auroux — Otimização contínua, problemas inversos e assimilação de dados, MSc in Data Science & AI
Destaque de pesquisa e ensino: Prof. Jacques Blum e Prof. Didier Auroux — otimização, problemas inversos, controle ótimo, análise numérica e assimilação de dados, desde o equilíbrio do plasma em tokamaks e a circulação oceânica até o processamento de imagens e a previsão do tempo.
22 de junho de 2026
22 min de leitura
IA é matemática
assimilação de dados
problemas inversos
otimização contínua
controle ideal
análise numérica
método conjunto
## Três ingredientes, nenhum suficiente sozinho
M
Um modelo
As leis da física descrevem como o sistema pode evoluir.
O
Observações
Os sensores revelam partes do que o sistema realmente fez.
A
Assimilação
A otimização reconcilia o modelo e a evidência em um estado utilizável.
Há três ingredientes, e nenhum deles basta sozinho. Um modelo codifica as leis da física: como o sistema pode evoluir. As observações revelam partes do que o sistema realmente fez . A assimilação usa otimização para reconciliar os dois em um estado utilizável. A posição mais ampla da DSTI cabe em uma frase: aprenda o que é genuinamente desconhecido, mas não desperdice dados, tempo e energia reaprendendo conhecimento confiável que pode ser expresso de forma explícita.
A inteligência artificial é frequentemente descrita como aprender um modelo a partir de dados. Essa é uma importante família de abordagens, não uma definição universal de inteligência. Em clima, oceanografia, sistemas de energia, processos industriais e muitos outros domínios físicos, equações, leis de conservação, condições de fronteira e décadas de conhecimento científico já existem. O verdadeiro desafio é frequentemente combinar esse conhecimento com observações esparsas, ruidosas e incompletas.
Esse não é um argumento contra o aprendizado de máquina. É um argumento para ser preciso sobre o que realmente precisa ser aprendido — e por reconhecer que reconciliar um modelo conhecido com evidências parciais é em si um ramo difícil e bem desenvolvido da matemática, com sua própria teoria, seus próprios algoritmos e seus próprios modos de falha. A assimilação de dados é esse ramo. O curso DSTI construído em torno dele e os dois cursos que o conduzem são o assunto aqui.
## 01 Uma previsão pode obedecer a todas as equações e ainda começar do mundo errado
Um modelo dinâmico descreve como um sistema evolui de um estado inicial. Escreva como `dx/dt = F(x)` com `x(0) = x₀`, onde o vetor de estado `x(t)` mora em `ℝⁿ`. Se esse estado inicial `x₀` está errado, o modelo pode resolver suas equações perfeitamente e ainda assim produzir a trajetória errada. Em sistemas não lineares, como a atmosfera ou o oceano, pequenos erros no estado inicial crescem rapidamente — a propriedade definidora do caos determinístico e a razão pela qual uma previsão só é tão boa quanto sua inicialização.
As observações não resolvem o problema sozinhas. Satélites, bóias, radares e sensores medem somente variáveis selecionadas, em locais e horários selecionados, com incerteza. O estado completo do modelo pode conter milhões de valores; o vetor de observação geralmente é muito menor. Recuperar o estado completo e fisicamente consistente desses fragmentos não é interpolação — é inferência sob uma restrição , onde a restrição é o próprio modelo.
modelo
Coerente, mas imperfeitamente inicializado
As equações codificam a estrutura e a consistência física, mas o estado inicial e os parâmetros podem ser incertos.
Dados
Real, mas parcial e barulhento
As medições ancoram o modelo na realidade, mas não descrevem todas as variáveis ou todos os pontos no espaço e no tempo.
Problema inverso
Recupere o que não pode ser observado diretamente
Deduza a condição, os parâmetros ou a trajetória iniciais ocultos que melhor explicam a evidência, respeitando o modelo.
Este é o território de problemas inversos , e vale a pena ser formal sobre isso, porque o curso é. A modelagem matemática descreve um sistema por meio de equações — normalmente equações diferenciais ordinárias ou parciais — que envolvem parâmetros, condições iniciais e condições de contorno. Resolvê-los na direção natural é o direcionar (ou para frente ) problema: dadas as entradas e os parâmetros, calcule a saída. Escrevendo um modelo como um mapa `M : (x, p) ↦ y` a partir de entradas `x₀` e parâmetros `p` para produzir `y`, a inverso o problema é executar esse mapa de trás para frente: dado o conhecimento parcial de `y`, recuperar `x` e/ou `p`. Os problemas inversos surgem precisamente quando um sistema é apenas parcialmente conhecido, mas pode ser observado, e se deseja recuperar características que não são diretamente mensuráveis.
As aplicações estão em todos os pontos do curso: imagens médicas (tomografia de raios-X e ultrassom, elastografia), análise de imagens (desfocagem, remoção de ruído, pintura, restauração), geociências (tomografia sísmica, imagens radioastronômicas e assimilação de dados para previsão do tempo), processamento de sinais (deconvolução) e engenharia mecânica (detecção de rachaduras e outros testes não destrutivos). E há uma ponte para o aprendizado de máquina que o curso faz explicitamente: ajuste do modelo e identificação de parâmetros está problemas inversos. Regressão linear multivariada — recupere a matriz de coeficientes `A` em `y = Ax` dos pares observados, no sentido dos mínimos quadrados — é o mais simples. O mesmo enquadramento abrange o treinamento de redes neurais e a estimativa de parâmetros em modelos ODE e PDE, incluindo a calibração de gêmeos digitais.
### Por que problemas inversos são difíceis: Hadamard e a instabilidade de executar um modelo de trás para frente
Em 1902, Jacques Hadamard introduziu a noção de problema bem-posto . Um problema é bem-posto quando três propriedades são satisfeitas: uma solução existe , é única e depende continuamente dos dados . Se qualquer uma delas falhar, o problema é mal-posto .
Existência e exclusividade são pré-requisitos intuitivos — sem exclusividade, até mesmo dados perfeitos podem não definir o que você deseja recuperar. A terceira condição, estabilidade, é sutil e consequente. Ele diz que uma pequena alteração nos dados — normalmente erro de medição — deve produzir apenas uma pequena alteração na solução reconstruída. Os problemas futuros geralmente são estáveis; os problemas inversos, porque geralmente correm contra a irreversibilidade ou a causalidade, geralmente não o são. A má postura é a regra, não a exceção.
O curso concretiza isso com o exemplo mais claro possível: diferenciação. Diferenciar é o inverso de integrar e é instável. Faça uma função suave `f` e perturbá-lo com uma pequena oscilação de alta frequência, `f_δ,n(x) = f(x) + δ·sin(nx)`. A perturbação da função tem amplitude `δ`, que você pode fazer tão pequeno quanto quiser. Mas a perturbação de sua derivado tem amplitude `δ·n`, que cresce sem limites conforme a frequência `n` aumenta. Um erro arbitrariamente pequeno nos dados produz um erro arbitrariamente grande na resposta. A identificação de parâmetros em uma equação diferencial se comporta da mesma maneira: na equação unidimensional do calor `−d/dx(a(x)·du/dx) = f`, recuperando a condutividade desconhecida `a` a partir das medições de temperatura, é fácil de anotar, mas está mal posicionado sempre que o gradiente de temperatura desaparece — aí, não existe nenhuma solução.
**Equation**
$$
f_{\delta,n}(x) = f(x) + \delta\,\sin(nx), \qquad f_{\delta,n}'(x) = f'(x) + \delta\,n\,\cos(nx)
$$
A consequência prática é regularização : você adiciona informações prévias para restaurar a estabilidade, trocando um pouco de fidelidade aos dados ruidosos por uma solução que não explode. Isso não é um truque usado no final; é uma decisão de modelagem sobre o que você acredita antes de olhar. Manter essa ideia — de que a escolha do anterior é uma suposição deliberada e inspecionável — é a maior parte do que separa uma reconstrução defensável de um artefato que parece confiante.
## 02 Assimilação de dados: faça o modelo ouvir sem fazer com que ele esqueça
A assimilação de dados é o campo matemático na interface do modelo e da observação. Ele não solicita que os dados substituam o modelo ou que o modelo ignore os dados. Ele pede o estado que torne os dois tão compatíveis quanto possível — uma negociação controlada na qual o modelo contribua. dinâmica (quais evoluções são fisicamente possíveis), as observações contribuem correção (onde a trajetória simulada se afasta da realidade), e um conjunto de suposições estatísticas decide com que intensidade cada fonte deve ser confiável.
O curso ensina o campo como ele realmente existe: não um algoritmo, mas uma pequena família de classes de métodos, cada uma com uma barganha diferente entre otimização, suposições e custo.
### Um pequeno laboratório de assimilação
Essa ilustração deliberadamente simples combina a trajetória de um modelo com observações. A análise real se move à medida que a confiança presumida nas observações muda. A assimilação de dados reais usa estruturas de covariância mais ricas, restrições dinâmicas e otimização.
Confiança relativa nas observações: 55%
confie mais no modelo
confie mais nas observações
modelo
observação
análise assimilada
- Métodos variacionais tratar a assimilação como minimizando uma função de custo. Barra 3D encontra a melhor estimativa de estado em um único momento; Var 4D encontra a melhor estimativa de estado em toda uma janela de assimilação e é formulada por meio da teoria do controle ideal. (o 3D-Var era o método operacional na Météo-France até 2000 — um lembrete útil de que o “estado da arte” tem uma data.)
- Métodos sequenciais alterne uma etapa de previsão com uma etapa de correção estatística. Interpolação ideal é fácil de implementar, mas fisicamente incoerente; o Filtro Kalman é a teoria da estimativa estatística ótima; variantes de conjunto e ordem reduzida ( ENKF , a SEEK filtro) existem exatamente porque o filtro completo não é dimensionado — mais sobre isso abaixo.
- Métodos de cutucar adicione um termo de feedback às equações do modelo, puxando continuamente o estado simulado para as observações. Eles são, na linguagem da teoria do controle, observadoras — e foi aí que Blum e Auroux fizeram sua própria contribuição, o assunto do § 05.
O enquadramento honesto é o mesmo em que o curso insiste: um estado reconstruído é tão bom quanto a evidência e o mecanismo por trás dele. Construída de forma descuidada, a assimilação transforma suposições em conclusões. Bem construído, é uma forma de raciocinar rigorosamente sobre um sistema que você não pode observar completamente.
## 03 A otimização é a ponte — e é aqui que o currículo converge
A assimilação variacional de dados transforma a reconstrução em um problema de otimização, e esse é o ponto exato em que o curso de otimização da escola deixa de ser um pré-requisito a ser preenchido e se torna o motor do método. A função de custo 4D-Var, na notação que o curso usa, é
**Equation**
```text
Função de custo 4D-Var
```
**Equation**
$$
J(\mathbf{x}_0, \mathbf{u}) = \tfrac{1}{2}\,\lVert \mathbf{x}_0 - \mathbf{x}_b \rVert^2_{\mathbf{B}^{-1}} + \tfrac{1}{2}\sum_{i} \lVert \mathbf{x}^{\mathrm{obs}}(t_i) - H_i(\mathbf{x}(t_i)) \rVert^2_{\mathbf{R}_i^{-1}}
$$
Os detalhes matemáticos determinam como os erros são ponderados e como a incerteza se propaga. A ideia central é uma busca restrita pela trajetória mais consistente com as equações e as medidas.
**Equation**
```text
Modelo avançado Simule o sistema a partir da estimativa atual do estado inicial.
```
**Equation**
```text
Informações adjuntas ou de confidencialidade Determine como a alteração das incógnitas altera a incompatibilidade.
```
**Equation**
```text
Etapa de otimização Atualize a estimativa, execute novamente e continue até que uma solução aceitável seja alcançada.
```
As incógnitas são o estado inicial `x` e os parâmetros do modelo `u`. O primeiro termo mantém a solução próxima de uma estimativa anterior. `x_b` (a experiência ), ponderado pelo inverso da covariância do erro de fundo `B`. O segundo termo penaliza a lacuna entre a trajetória do modelo e as observações em cada momento `tᵢ`, ponderado pelo inverso da covariância do erro de observação `Rᵢ`, com o operador de observação `Hᵢ` mapeando o estado do modelo no espaço de observação. Minimizando `J` sujeito ao modelo `dx/dt = F(x, u)` é exatamente um problema de controle ideal : encontre a condição inicial e os parâmetros que produzem a trajetória mais consistente com as equações e as medidas.
Tudo o que o curso de Otimização Contínua cria é necessário aqui. A função de custo é um objetivo de valor real em um espaço de alta dimensão; o modelo é uma restrição; as normas ponderadas pela covariância são formas quadráticas; a convexidade (ou sua ausência) decide se o mínimo é global; e o minimizador é encontrado não por um inverso de forma fechada, mas por um método de gradiente iterativo. De uma só vez, o 3D-Var até admite a solução explícita `x* = [B⁻¹ + HᵀR⁻¹H]⁻¹(B⁻¹x_b + HᵀR⁻¹x_obs)` — e o curso tem o cuidado de indicar por que essa fórmula é inútil na prática : as matrizes são grandes demais para serem invertidas, então avalia-se `J` e seu gradiente e, em vez disso, os entrega a um algoritmo de otimização.
**Equation**
$$
\mathbf{x}^{*} = \left[\mathbf{B}^{-1} + H^{\mathsf{T}}\mathbf{R}^{-1}H\right]^{-1}\!\left(\mathbf{B}^{-1}\mathbf{x}_b + H^{\mathsf{T}}\mathbf{R}^{-1}\mathbf{x}^{\mathrm{obs}}\right)
$$
Isso levanta a questão de que todo o método ativa: como você obtém o gradiente de `J` com relação a um vetor de controle que pode ter dezenas de milhões de componentes? Diferenças finitas exigiriam uma execução de modelo por componente — totalmente impossível. A resposta é a método adjunto : execute o modelo avançado uma vez e, em seguida, integre um adjunto modele para trás pela janela, escolhendo um termo forçador em cada momento de observação e leia o gradiente completo da solução adjunta. O custo é uma solução direta mais uma resolução inversa, independente da dimensão do vetor de controle . Esse único fato é o que torna viável a assimilação variacional em grande escala.
O curso não esconde o quanto isso é exigente, e vale a pena destacar dois de seus avisos, porque são exatamente o tipo de detalhe que separa um sistema em funcionamento de um plausível:
- O adjunto do modelo discretizado não é a discretização do adjunto contínuo. Derivar as equações adjuntas no papel e depois discretizá-las dá a incorreto gradiente; a rota correta é diferenciar diretamente o modelo discreto (na prática, via diferenciação automática — tangente linear para a derivada direta, adjunto para a reversa). “Diferenciar, depois discretizar” e “discretizar, depois diferenciar” não se deslocam, e inverter isso é uma fonte de erro clássica e silenciosa.
- Para um modelo não linear, `J` geralmente não é convexo. Ela pode ter vários mínimos locais, então o resultado depende de onde a otimização começa e de um prazo de regularização — `α‖x₀ − x₀_background‖² + β‖u − u_background‖²` — é adicionado para controlar o problema. Coeficientes grandes penalizam; coeficientes pequenos regularizam; a escolha é, mais uma vez, uma decisão de modelagem e não um padrão.
**Equation**
$$
\tilde{J}(\mathbf{x}_0, \mathbf{u}) = J(\mathbf{x}_0, \mathbf{u}) + \alpha\,\lVert \mathbf{x}_0 - \mathbf{x}_0^{\mathrm{bg}} \rVert^2 + \beta\,\lVert \mathbf{u} - \mathbf{u}^{\mathrm{bg}} \rVert^2
$$
Há mais uma disciplina que os laboratórios tornam inegociável, e é o mesmo ceticismo que a teoria dos problemas inversos exige: antes de confiar em um gradiente adjunto, verifique numericamente . Compare o gradiente que o adjunto produz com uma derivada direcional de diferença finita em uma direção aleatória. Se os dois não concordarem, o adjunto tem um bug — e um 4D-Var construído em um gradiente errado minimizará a coisa errada e parecerá totalmente saudável.
Conexão do curso. Blum e Auroux conjuntamente ensinar → Problemas inversos e assimilação de dados (MSc in Data Science & AI), que se baseia em → Otimização contínua , que se baseia em → Matemática aplicada à ciência de dados e os Warm Up's Fundamentos da Matemática — os mesmos dois professores em toda a sequência, dias rotativos. O pré-requisito declarado de cada curso é o anterior. A cadeia é o ponto, e o §06 a segue desde o início.
## 04 Back and Forth Nudging: correção sem adjunto
Jacques Blum e Didier Auroux introduziram o algoritmo Back and Forth Nudging (BFN) em 2005. O nudging convencional acrescenta às equações do modelo um termo de realimentação — um observador de Luenberger assintótico, na linguagem da teoria de controle — que aproxima o estado simulado das observações à medida que o modelo evolui. A decisão de Blum e Auroux foi aplicar essa correção tanto para a frente quanto para trás na mesma janela de assimilação:
1
Corra para frente
Comece com a estimativa atual e integre o modelo físico enquanto ajusta sua trajetória em direção às observações.
2
Corra para trás
Use o estado final corrigido para se integrar novamente pela mesma janela, com um termo de feedback do sinal apropriado.
3
Atualize e repita
O estado recuperado no começando da janela se torna a próxima estimativa inicial. Repita até que a trajetória reconstruída se estabilize.
O primeiro artigo provou a convergência para um sistema linear de equações diferenciais ordinárias. Tão importante quanto isso, tornou o método atraente na prática: a formulação principal não requer linearização do modelo, construção adjunta e circuito de minimização separado — exatamente o maquinário que torna o 4D-Var pesado. Trabalhos posteriores desenvolveram a teoria e testaram a abordagem em sistemas de Lorenz, equações de transporte, modelos de águas rasas e modelos de oceano cheio.
Família de métodos | Mecanismo central | Força | Desafio de engenharia
Var 4D
| Minimize um custo em uma janela de tempo. | Formulação variacional globalmente estruturada; assimila uma janela inteira de uma só vez. | O desenvolvimento adjunto e as integrações repetidas de modelos são exigentes; `B` é difícil de estimar.
Kalman//filtros de conjunto
| Previsão alternativa e correção estatística. | Tratamento explícito da incerteza em evolução. | A propagação da covariância ou grandes conjuntos são dispendiosos; a não linearidade força a aproximação.
BFN / DBFN
| Observadores alternativos para frente e para trás. | Feedback direto, implementação comparativamente leve, convergência rápida nas configurações estudadas; sem complemento. | A estabilidade retroativa, a seleção de ganho e a adequação do modelo ainda requerem cuidados matemáticos.
O Cutumação difusiva para frente e para trás (DBFN) a extensão foi projetada para modelos difusivos, onde a integração inversa ingênua é instável. Em experimentos com um modelo bidimensional de águas rasas e um modelo oceânico de equação primitiva tridimensional, ele estabilizou o retrocesso e reduziu o impacto de observações ruidosas. Esse é um resultado de pesquisa em configurações específicas — não uma afirmação de que um algoritmo substitui todos os outros métodos. A posição madura, que o curso afirma claramente, é que os métodos são escolhidos de acordo com a estrutura do modelo, o sistema de observação, a incerteza e o orçamento computacional. “Usar IA” ainda não é uma especificação de método.
A posição científica madura: os métodos são escolhidos de acordo com a estrutura do modelo, o sistema de observação, a incerteza e as restrições computacionais. “Usar IA” ainda não é uma especificação de método.
## 05 Duas vidas de pesquisa, uma cultura de matemática aplicada
A colaboração é poderosa porque está inserida em carreiras muito mais amplas. A mesma linguagem matemática — equações diferenciais parciais, controle, otimização, análise numérica e problemas inversos — viaja da física do plasma à circulação oceânica, processamento de imagens, previsão do tempo e modelagem industrial.
Professor · análise numérica, controle e assimilação de dados
### Prof. Jacques Blum
Prof. Jacques Blum — análise numérica, controle e assimilação de dados. Formado pela École Normale Supérieure e doutorado sob a orientação de [Jacques-Louis Lions](https://en.wikipedia.org/wiki/Jacques-Louis_Lions), Jacques Blum construiu, entre pesquisas e cátedras do CNRS em Grenoble, na École Polytechnique e em Nice, uma carreira dedicada à simulação, à identificação e ao controle ótimo de sistemas físicos regidos por equações diferenciais parciais.
Seu trabalho abrange o equilíbrio do plasma tokamak, a reconstrução em tempo real, a circulação oceânica e a assimilação de dados. Em DSTI, ele é membro do Conselho Consultivo Científico e ajudou a moldar a abordagem da escola ao suporte matemático em todo o corpo discente. As distinções incluem a Medalha de Bronze do CNRS (1984), o Prix Blaise-Pascal (1990), o prêmio Seymour Cray (1998) e o Grand Prix de la Ville de Nice (2017).
1984
Medalha de bronze do CNRS
1990
Prêmio Blaise-Pascal
1998
Prêmio Seymour Cray
2017
Grande Prêmio da Cidade de Nice
[Página da universidade](https://math.univ-cotedazur.fr/u/jblum/)
[Biografia](https://fr.wikipedia.org/wiki/Jacques_Blum)
[corpo docente da DSTI](https://dsti.school/pt/corpo-docente#academics)
Professor · Diretor do Maison de la Modélisation, de la Simulation et des Interactions
### Prof. Didier Auroux
Prof. Didier Auroux — Diretor da Maison de la Modélisation, de la Simulation et des Interactions. Didier Auroux se formou na École Normale Supérieure de Lyon e concluiu seu doutorado sob a orientação de Jacques Blum — [Estudo de diferentes métodos de assimilação de dados para o meio ambiente](https://theses.fr/2003NICE4055) (2003) — seguido por uma habilitação em algoritmos rápidos para processamento de imagens e assimilação de dados.
Sua pesquisa une geofísica, observadores, controle ideal, problemas inversos, análise numérica e computação científica. Ele agora dirige a Université Côte d'Azur [Maison de la Modélisation, de la Simulation et des Interactions](https://msi.univ-cotedazur.fr/a-propos), uma estrutura que apoia a pesquisa por meio de modelagem, simulação, computação de alto desempenho e ciência de dados.
[Página da universidade](https://math.univ-cotedazur.fr/u/auroux/)
[Publicações](https://math.univ-cotedazur.fr/u/auroux/prod_fr.php)
[MSI](https://msi.univ-cotedazur.fr/a-propos)
[corpo docente da DSTI](https://dsti.school/pt/corpo-docente#academics)
Ambos participam do ensino para todo o corpo discente, inclusive para estudantes ainda distantes de seu nível de pesquisa. Jacques propôs a criação das sessões de apoio da DSTI, inspiradas nas aulas de exercícios adotadas pelas principais universidades; Didier conduz regularmente sessões de apoio nos módulos de matemática. A confiança em matemática não se constrói reduzindo o nível intelectual, mas oferecendo um percurso confiável para alcançá-lo — exatamente o propósito da sequência de disciplinas descrita no § 06.
## 06 A cadeia de ensino: da matemática aplicada à assimilação de dados
O que torna a versão DSTI disso distinta não é que dois matemáticos eminentes apareçam em uma lista de professores. É que as mesmas duas pessoas ensinam um sequência conectada de cursos, cada um deles um pré-requisito genuíno para o próximo, que leva o aluno do gradiente de uma função de uma variável para um 4D-Var funcional. Jacques Blum e Didier Auroux ministram os três cursos em conjunto, alternando os dias de ensino entre eles, para que uma coorte veja os dois professores em toda a cadeia, em vez de conhecer um por disciplina. O destino é difícil; a rota é construída deliberadamente.
Aquecimento
Fundamentos da Matemática
Aquecimento — Fundamentos da Matemática. Todo mestrado em dados da DSTI começa com um aquecimento que estabelece os fundamentos matemáticos, trabalhando com coortes cuja preparação prévia varia muito. Esta é a etapa de nivelamento antes de qualquer coisa especializada.
Todos os programas de mestrado em dados
Matemática aplicada à ciência de dados
Matemática aplicada à ciência de dados. Em todos os programas de mestrado em dados, este curso fornece a matemática funcional que tudo mais tarde assume: diferenciação em uma e várias variáveis, gradiente, expansão de Taylor; álgebra linear por meio de vetores e matrizes, sistemas lineares, diagonalização, valores e vetores próprios e formas quadráticas; e números complexos. O programa é sincero sobre suas ferramentas — “caneta, papel e cérebro; R ou Python para verificar os cálculos.” Esses não são tópicos arbitrários: o gradiente reaparece conforme o objeto que um otimizador segue, a decomposição própria está por trás da estrutura de covariância e as formas quadráticas são a forma de cada função de custo em §04.
MSc Data Science & AI
Otimização contínua
Otimização contínua. Essa é a dobradiça de toda a sequência. Ele desenvolve funções e restrições de custo (igualdade, desigualdade e restrições dadas por uma equação diferencial); diferenciabilidade de Fréchet e Gâteaux; convexidade; condições de otimização de primeira e segunda ordem; a existência e exclusividade de um mínimo — incluindo o material genuinamente avançado de minimização em espaços de Hilbert, convergência fraca e semicontinuidade inferior; multiplicadores e duplificadores de Lagrange realidade; o teorema de Kuhn—Tucker (KKT) e os pontos de sela; e então os algoritmos que fazem o trabalho: gradiente descendente com passo fixo e ideal, gradiente conjugado, gradiente projetado e algoritmo de Uzawa. Surpreendentemente, o curso já apresenta problemas inversos como otimização — entre seus exemplos trabalhados estão os mínimos quadrados (`Av = b`) e a identificação de um coeficiente desconhecido em `−div(K∇u) = f` minimizando `J = Σ [u(xᵢ) − uᵢ]²`. A ponte para a assimilação de dados está embutida no próprio programa de otimização.
Em todo o currículo
Sessões de suporte
Jacques propôs a criação das sessões de apoio da DSTI, inspiradas nas aulas de exercícios adotadas pela Ivy League e pelas principais universidades da Califórnia. Didier conduz regularmente sessões de apoio nos módulos de matemática. O nível permanece alto, e os estudantes recebem ensino adicional estruturado para ajudá-los a alcançá-lo.
MSc Data Science & AI
Problemas inversos e assimilação de dados
Problemas inversos e assimilação de dados. O campo de pesquisa entra diretamente no currículo. O curso abrange problemas bem formulados versus problemas mal colocados (Hadamard); métodos variacionais (controle ideal, o método lagrangiano, métodos adjuntos); métodos sequenciais (filtragem de Kalman); e cutucada (observadores). Seus pré-requisitos declarados são exatos e não sentimentais: “Matemática, otimização contínua e Python Labs,” com base também nas estatísticas e nos fundamentos do aprendizado de máquina da escola. Os exemplos são identificação de parâmetros e calibração do modelo — o mesmo quadro de problema inverso do §01, agora com força total.
BSc Computer Science & Engineering
Harmonização matemática
Didier ensina Harmonização Matemática com a Dra. Christine Malot, ajudando os alunos a estabelecer uma base matemática compartilhada antes de prosseguir para o trabalho quantitativo posterior. [Explore o currículo](https://dsti.school/pt/bsc-computer-science-engineering#curriculum).
BSc Computer Science & Engineering
Energia — Clima — TI sustentável
Jacques ensina o componente de física, conectando a computação aos sistemas físicos, limites de energia e questões ambientais que ela afeta. [Explore o currículo](https://dsti.school/pt/bsc-computer-science-engineering#curriculum).
É no trabalho de laboratório que os métodos do artigo se tornam algo construído pelos próprios estudantes. Os laboratórios usam o sistema de Lorenz — modelo caótico canônico de baixa dimensão — em um projeto de experimento gêmeo : gera-se uma trajetória “verdadeira” conhecida, criam-se observações esparsas e ruidosas a partir dela (duas das três variáveis, a cada cem passos, com ruído adicional) e, então, parte-se de um estado de fundo deliberadamente incorreto para tentar recuperar a verdade. Nesse banco de testes único e transparente, os estudantes implementam sucessivamente as três famílias de métodos:
- Cutucando — para frente e depois para trás, ou seja, o próprio BFN, codificado diretamente;
- Var 4D — a função de custo, o modelo adjunto para seu gradiente e o numérico verificação de gradiente antes de confiar nele;
- Kalman — o filtro linear e, em seguida, o filtro Kalman estendido, que expõe exatamente o que quebra quando um modelo não linear é forçado a passar por uma correção linearizada.
O experimento com gêmeos é em si uma lição de validação: como a verdade é conhecida pela construção, cada método pode ser comparado a ela — e é por isso que é o lugar certo para aprender , e também por que é mais fácil do que a realidade operacional, onde a verdade é exatamente o que está faltando. Essa lacuna entre um brinquedo de diagnóstico e o sistema real é nomeada, não encoberta.
Uma nota sobre as pessoas por trás da rede, porque é uma verdadeira linhagem intelectual e não uma decoração. Jacques Blum concluiu seu doutorado em Jacques-Louis Lions , cuja teoria de controle ideal para sistemas governados por equações diferenciais parciais é a base matemática sobre a qual o 4D-Var se baseia. Didier Auroux, por sua vez, concluiu seu doutorado em Jacques Blum — [Estudo de diferentes métodos de assimilação de dados para o meio ambiente](https://theses.fr/2003NICE4055), defendido em 2003. O mecanismo de controle ideal ensinado no curso de assimilação de dados é, em um sentido direto, a tradição que os dois herdaram e ampliaram — e o algoritmo Back and Forth Nudging surgiu dessa mesma colaboração. A cadeia de ensino, Lions → Blum → Auroux, recapitula uma de pesquisa.
A sequência descrita aqui é a espinha dorsal dos MSc de Dados, mas não representa toda a atividade docente dos dois professores. Na graduação, Didier Auroux também leciona Harmonização Matemática no BSc Computer Science & Engineering, com a Dra. Christine Malot, ajudando os estudantes a construir uma base matemática comum antes de trabalhos quantitativos posteriores; Jacques Blum leciona a parte de física da disciplina Energia — Clima — TI Sustentável, abordada separadamente em [A TI eficiente começa antes do código](https://dsti.school/pt/techblog/ti-eficiente-comeca-antes-codigo).
## 07 O problema da escala e por que a estrutura ganha seu lugar
Seria fácil confundir tudo isso com uma teoria elegante. O curso é enfático ao dizer que não, e o motivo é a escala. Para atmosfera e oceanos, uma grade realista tem cerca de cinquenta níveis verticais e várias centenas de pontos em cada direção horizontal — bem mais de dez milhões de pontos de grade — com várias variáveis físicas (componentes de velocidade, pressão, temperatura, umidade ou salinidade, concentrações químicas) em cada uma. O vetor de controle para um 4D-Var pode, portanto, alcançar `10⁷` para `10⁹` componentes; o número de observações é `10⁵`–`10⁶`; as matrizes de covariância são nominalmente de tamanho `n × n`, ou seja, astronomicamente grande; e um centro de previsão operacional deve produzir uma análise em três a seis horas . Estimando a covariância do erro de fundo `B` em geral, é um problema de pesquisa por si só, e a previsão é sensível à escolha.
Essa é a realidade da engenharia por trás da matemática e um território reconhecidamente próprio da DSTI: o ponto em que memória, custo computacional e orçamento determinam quais métodos são viáveis. É também por isso que representar uma estrutura conhecida não é uma preferência estilística, mas uma questão de eficiência: um método menor e estruturado pode exigir menos movimentação de dados e menos treinamento, oferecer maior consistência física e permitir uma descrição mais clara das falhas do que um modelo genérico maior. A disciplina consiste em manter esse limite inspecionável — saber que parte do sistema é imposta pela física e que parte é aprendida a partir dos dados.
### Não force o aluno a redescobrir o que o domínio já sabe.
Quando existem leis físicas, restrições, taxonomias ou relações confiáveis, represente-as. Use o aprendizado baseado em dados para a incerteza residual, parâmetros desconhecidos, escalas não resolvidas e padrões que o modelo explícito não pode fornecer. A inteligência está na combinação.
01
Respeite a estrutura conhecida
Leis de conservação, equações diferenciais, restrições causais e conhecimento de domínio são informações. Descartá-los não é neutralidade; é uma decisão de design.
02
Aprenda a parte desconhecida
Os dados são inestimáveis quando os parâmetros são incertos, os modelos estão incompletos, os efeitos da sub-rede não são resolvidos ou os padrões não podem ser especificados analiticamente.
03
Otimize a interface
O trabalho difícil é decidir como o erro do modelo, o erro de observação e os componentes aprendidos interagem — e validar o sistema resultante.
Sistemas físicos
### Assimilação de dados
Combine um modelo dinâmico com observações para que o estado reconstruído respeite as evidências e as leis que regem a evolução.
≈
Sistemas de conhecimento
### Web semântica
Represente entidades e relacionamentos conhecidos de forma explícita, em vez de pedir a cada sistema downstream que os deduza repetidamente a partir de dados não estruturados.
Esse princípio ecoa em outras partes do currículo — no ensino de tecnologias da Web Semântica do Pr Fabien Gandon, o mesmo instinto aplicado ao conhecimento e não à física: representar o que já é conhecido explicitamente, em vez de reaprender sistematicamente todo o modelo a partir de dados brutos. A disciplina compartilhada é saiba o que você sabe, aprenda o que não sabe e estabeleça a fronteira entre eles algo que você possa inspecionar.
## 08 A trilha de pesquisa por trás da sala de aula
O artigo se baseia em uma sequência de publicações que acompanha o trabalho desde a apresentação de um algoritmo e sua prova de convergência até a comparação numérica, o desenvolvimento teórico e as aplicações geofísicas.
Algoritmo de movimentação para frente e para trás para problemas de assimilação de dados
Didier Auroux e Jacques Blum · C. R. Acad. Ciência. Paris, 2005
A nota de fundação; apresenta o BFN e prova a convergência para um sistema ODE linear.
[DOI](https://doi.org/10.1016/j.crma.2005.05.006)
Um método de assimilação de dados baseado em nudging: o algoritmo Back and Forth Nudging
Didier Auroux & Jacques Blum · Processos não lineares em geofísica, 2008
Desenvolvimento mais completo e estudo numérico na assimilação oceanográfica.
[Abrir artigo](https://doi.org/10.5194/npg-15-305-2008)
Algoritmo de movimentação difusiva para frente e para trás para assimilação de dados
Didier Auroux, Jacques Blum e Maëlle Nodet · C. R. Mathématique, 2011
A extensão DBFN para difusão em integração retroativa.
[DOI](https://doi.org/10.1016/j.crma.2011.07.004)
Assimilação de dados para fluidos geofísicos: o movimento difusivo para frente e para trás
Didier Auroux, Jacques Blum & Giovanni Ruggiero · Paradigmas matemáticos da ciência climática, 2016
Testes em modelos de águas rasas e oceânicas cheias, incluindo comportamento sob ruído de observação.
[Capítulo do livro](https://doi.org/10.1007/978-3-319-39092-5_8)
Fundamentos: problemas inversos, controle ideal, assimilação de dados
- Hadamard, J. (1902). Sur les problemèmes aux dérivées partielles et leur signification physique. — A definição original de boa postura.
- Lions, J.-L. (1971). Controle ideal de sistemas governados por equações diferenciais parciais. Springer. — A teoria do controle ideal subjacente à assimilação variacional de dados.
- Kalnay, E. (2003). Modelagem atmosférica, assimilação de dados e previsibilidade. Cambridge University Press. — Texto padrão; na lista de leitura do curso.
- Evensen, G. (2006). Assimilação de dados: o filtro Ensemble Kalman. Springer. — Texto padrão; na lista de leitura do curso.
- Bennett, A.F. (2002). Modelagem inversa do oceano e da atmosfera. Cambridge University Press. — Na lista de leitura do curso.
- Auroux, D. (2003). [Estudo de diferentes métodos de assimilação de dados para o meio ambiente.](https://theses.fr/2003NICE4055) Tese de doutorado, Université de Nice-Sophia Antipolis (supervisionada por Jacques Blum).
Os professores
- Prof. Jacques Blum — [Página da universidade](https://math.univ-cotedazur.fr/u/jblum/) · [Biografia](https://fr.wikipedia.org/wiki/Jacques_Blum)
- Prof. Didier Auroux — [Página da universidade](https://math.univ-cotedazur.fr/u/auroux/) · [Publicações](https://math.univ-cotedazur.fr/u/auroux/prod_fr.php) · [Maison de la Modélisation, de la Simulation et des Interactions](https://msi.univ-cotedazur.fr/a-propos)
O material das seções §§01—07 que descreve a estrutura, o escopo e o conteúdo trabalhado nas disciplinas — enquadramento e exemplos de problemas inversos; tratamento de Hadamard para problemas bem-postos e instabilidade da diferenciação; funções de custo 3D-Var e 4D-Var e método adjunto; distinção entre discretizar e diferenciar; ordens de grandeza e restrições operacionais; taxonomia dos métodos; e laboratórios de experimentos gêmeos de Lorenz com nudging, 4D-Var e Kalman, incluindo uma verificação de gradiente — foi extraído dos materiais didáticos da DSTI dos professores Blum e Auroux: programas, notas de aula e cadernos das disciplinas Matemática Aplicada à Ciência de Dados, Otimização Contínua e Problemas Inversos e Assimilação de Dados. Esses elementos não são citações públicas, salvo quando uma fonte pública é indicada no próprio texto.
### Encerramento: a aula que os alunos devem manter
A inteligência artificial não é uma classe única de modelos. É a construção disciplinada de sistemas que inferem, otimizam e agem sob incerteza. Às vezes, os dados devem aprender o modelo. Às vezes, os dados deveriam corrigir um modelo que já codifica a física real. Saber a diferença — e ser capaz de defender a escolha com uma função de custo, uma covariância de erro, um argumento de convergência e uma explicação honesta do que foi assumido — faz parte de se tornar um engenheiro que entende os fundamentos científicos e não apenas as ferramentas.
É apropriado que o curso exista dentro de uma cadeia que começa com o gradiente de uma única função e termina em uma fronteira de pesquisa, ministrada por dois matemáticos que aprenderam o campo com a pessoa que fundou amplamente sua metade teórica de controle. Essa é a versão da expertise que DSTI tenta ensinar: não a confiança para executar uma simulação, mas o julgamento para saber quanto vale uma reconstrução.
---
© DSTI School of Engineering 2026 - Todos os direitos reservados. Instituição privada de ensino superior - V350 - 2 de agosto de 2026