Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

A Probabilistic Integration Recurrent Neural Network for Scientific Applications

Opis projektu

Probabilistyczna sieć neuronowa na potrzeby zastosowań naukowych

Uczenie maszynowe przyczynia się do znacznego postępu w wielu dziedzinach nauki i sektorach gospodarki. Umożliwia także rozwój ulepszonych metodologii i sprzętu, co ma kluczowe znaczenie, biorąc pod uwagę, jak potrzebne są naukowcom lepsze narzędzia analityczne. Jednak pomimo swojego wysokiego potencjału obecne sieci neuronowe o dużej skali nie nadają się do zastosowań naukowych obejmujących ograniczone zbiory danych. Realizowany przy wsparciu programu działań „Maria Skłodowska-Curie” projekt PRINN ma umożliwić dokonanie przełomu w uczeniu maszynowym do zastosowań naukowych: w jego ramach powstanie probabilistyczna sieć neuronowa oparta na fizyce, przeznaczona specjalnie dla małych zbiorów danych. Projekt zakłada przeprowadzenie badań i wyeliminowanie ograniczeń obecnych metod probabilistycznych, co pozwoli zwiększyć szybkość i dokładność tych sieci.

Cel

Scientists have huge needs for better analysis tools. Machine learning is a powerful framework to provide outstanding tools, but the current large-scale neural networks are not adapted for scientific applications where datasets are limited. Probabilistic networks are a powerful alternative for smaller datasets. However, they have flaws that prevent them to work well for complex tasks. They notably have speed and accuracy limitations.
This project aims to make a breakthrough in machine learning for scientific applications by developing a new physics-informed probabilistic neural network adapted for small datasets. The basic unit of our network overcomes the limitations of the current probabilistic methods by considering a recurrent Gaussian process and using an analytical integration method. The first objective of our project is to deploy several units that each represent a state in a neural network, and to consider abrupt transitions from one state to another. This network will be applied to the analysis of single-particle tracking data, an important and complex biology problem for which our model will be particularly well-suited. Next, we will extend our network to consider maps and spatiotemporal maps. This second phase will be applied to mapping cell viscosity, a particularly promising super-resolution technique that does not require specific markers. Our last objective is to create a modular network to enable better scalability of our architecture for more complex tasks. We will test this architecture on multimodal data like vital signs to predict patient outcomes. This project will therefore result in a powerful open-access neural network that other scientists will be able to derive for their scientific applications, along with a series of three scientific tools that will redefine the state-of-the-art in their respective fields and for which we expect a large use.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2024-PF-01

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

SORBONNE UNIVERSITE
Wkład UE netto
€ 413 379,72
Koszt całkowity
Brak danych

Partnerzy (1)