Opis projektu
Algorytmy uczenia głębokiego w zakresie problemów odwrotnych
Problemy odwrotne wykorzystują równania różniczkowe cząstkowe do określania zależności między nieznanymi parametrami a danymi eksperymentalnymi. Są stosowane w wielu różnych dziedzinach, w tym do oceny rozwoju nowotworów, dbania o bezpieczeństwo infrastruktury cywilnej czy usprawniania produkcji energii geotermalnej. Podejścia w zakresie uczenia głębokiego dotyczące równań różniczkowych cząstkowych mają jednak pewne ograniczenia, do których należą brak podstaw teoretycznych i możliwości interpretacji, co utrudnia ich wykorzystanie w krytycznych zastosowaniach. Finansowany ze środków działań MSCA projekt IN-DEEP angażuje doktorantów i naukowców w celu zorganizowania szkolenia podyplomowego w zakresie tworzenia, wdrażania i wykorzystywania opartych na wiedzy algorytmów uczenia głębokiego. Algorytmy te mają na celu szybkie i dokładne rozwiązywanie problemów odwrotnych opartych na równaniach różniczkowych cząstkowych. Zespół IN-DEEP dąży do opracowywania zaawansowanych solwerów opartych na uczeniu głębokim i działających na potrzeby równań różniczkowych cząstkowych. Będą one miały istotne znaczenie dla przemysłu, jak i całego społeczeństwa.
Cel
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.
Dziedzina nauki
- 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
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-DN - HORIZON TMA MSCA Doctoral NetworksKoordynator
48940 Leioa
Hiszpania