Projektbeschreibung
Algorithmen für tiefes Lernen in Bezug auf inverse Probleme
Bei inversen Problemen werden partielle Differentialgleichungen verwendet, um Verbindungen zwischen unbekannten Parametern und experimentellen Daten herzustellen. Sie finden weitreichende Anwendung, z. B. bei der Beurteilung des Krebswachstums, bei der Gewährleistung der Sicherheit von zivilen Infrastrukturen und bei der Verbesserung der geothermischen Energieerzeugung. Ansätze des tiefen Lernens für partielle Differentialgleichungen sind jedoch mit Einschränkungen verbunden, insbesondere mit einem Mangel an theoretischer Grundlage und Interpretierbarkeit, was ihre Integration in anspruchsvolle Anwendungen erschwert. Das über die Marie-Skłodowska-Curie-Maßnahmen finanzierte Projekt IN-DEEP bringt Promovierende und Forschende mit dem Ziel zusammen, nach dem Hochschulabschluss in der Entwicklung, Implementierung und Nutzung von wissensbasierten Algorithmen für tiefes Lernen geschult zu werden. Diese Algorithmen zielen darauf ab, inverse Probleme, die durch partielle Differentialgleichungen verursacht werden, schnell und genau zu lösen. IN-DEEP engagiert sich für die Entwicklung fortschrittlicher auf tiefem Lernen basierter Lösungen für partielle Differentialgleichen mit erheblicher gesellschaftlicher und industrieller Relevanz.
Ziel
IN-DEEP is a European Doctoral Network composed of nine doctoral candidates (DCs) and top scientists with complementary areas of expertise in applied mathematics, artificial intelligence, high-performance computing, and engineering applications. Its main goal is to provide high-level training to the nine DCs in designing, implementing, and using explainable knowledge-driven Deep Learning (DL) algorithms for rapidly and accurately solving inverse problems governed by partial differential equations (PDEs).
Inverse problems in which the unknown parameters are connected to experimental measurements through PDEs cover from medical applications - like cancer growth assessment - to the safety of civil infrastructures, and green geophysical applications such as geothermal energy production. Their application value is measured in human lives and society's well-being, which goes beyond any quantifiable amount of money. This is why equipping a new generation of specialists with highly-demanded skills for the upcoming transition toward safe and robust AI-based technologies is imperative.
Despite the promising results in many applications, DL for PDEs has severe limitations. The most troublesome is its lack of a solid theoretical background and explainability, which prevents potential users from integrating them into high-risk applications.
IN-DEEP aims to remove these constraints to unleash the full potential of DL algorithms for PDEs. We will achieve this by: (a) focusing on emerging applications of DL for PDEs with immense societal and/or industrial value, (b) designing mathematics-infused advanced solvers to address them efficiently, and (c) involving, from the beginning, industrial and technological agents which can monitor, upscale, and exploit this knowledge. On the way, we shall establish the foundations of a better knowledge exchange ecosystem amongst the main academic and industrial actors within Europe, disseminating the results worldwide.
Wissenschaftliches Gebiet
- medical and health sciencesclinical medicineoncology
- natural sciencesbiological sciencesecologyecosystems
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencesmathematicspure mathematicsmathematical analysisdifferential equationspartial differential equations
- engineering and technologyenvironmental engineeringenergy and fuelsrenewable energygeothermal energy
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-DN - HORIZON TMA MSCA Doctoral NetworksKoordinator
48940 Leioa
Spanien