Descrizione del progetto
Esplorare l’approssimazione composizionale per le reti neurali
Sebbene le reti neurali siano ben consolidate in molti campi scientifici, i loro metodi spesso mancano delle basi matematiche per sostenere l’accuratezza delle soluzioni che producono. È possibile migliorare l’affidabilità dei risultati nell’apprendimento automatico scientifico quando la conoscenza della verità di base da ricercare soddisfa un’equazione differenziale parziale. Dal punto di vista della teoria dell’approssimazione, è utile capire quando e perché questa conoscenza dovrebbe essere sfruttata. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto CompAS confronterà l’approssimazione composizionale e l’approssimazione superposizionale classica a un livello strutturale fondamentale. L’obiettivo è quello di identificare i casi in cui l’approssimazione composizionale offre un vantaggio rispetto all’approssimazione superposizionale e di sviluppare modi per caratterizzare questi casi.
Obiettivo
Neural networks have firmly established themselves as powerful tools in many scientific domains, e.g. for protein folding, recovering images of black holes, or solving Schrödinger equations. Although empirically highly successful, neural network based methods very often lack the mathematical foundation to be able to guarantee the accuracy of the solution they produce. While this lack of reliability constitutes a major issue for many applications, I believe that, for scientific machine learning in particular, there is a promising path towards overcoming these issues, as there usually exists knowledge of the ground truth one would like to learn, e.g. that it must satisfy some partial differential equation. The goal of this project is understanding, from an approximation theory perspective, when and why such knowledge may be exploited.
A defining property of neural networks is that they consist of a composition of simple building blocks. From the view of approximation theory this is a major paradigm shift, as it classically focuses on superpositional approximation, i.e. based on taking linear combinations of simple building blocks. This project aims to understand, on a fundamental structural level, how compositional approximation differs from classical superpositional approximation. Specifically it will first prove the existence of cases, in which compositional approximation provides a fundamental advantage over superpositional approximation, and subsequently develop ways to characterize these cases.
On one hand this will significantly deepen the comprehension of this paradigm-shift in approximation theory, on the other hand it will establish a foundation for the development of provably accurate neural networks based machine learning algorithms.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Siamo spiacenti… si è verificato un errore inatteso durante l’esecuzione.
È necessario essere autenticati. La sessione potrebbe essere scaduta.
Grazie per il tuo feedback. Riceverai presto un'e-mail di conferma dell'invio. Se hai scelto di ricevere una notifica sullo stato della segnalazione, sarai contattato anche quando lo stato della segnalazione cambierà.
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2023-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF -Coordinatore
1010 Wien
Austria