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

Phase Space Foundations for Scientific Machine Learning

Opis projektu

Wytłumaczalna sztuczna inteligencja w przestrzeni fazowej

Uczenie maszynowe w nauce szybko przechodzi od wytłumaczalnych modeli fizycznych do wysoce sparametryzowanych sieci neuronowych, co rodzi pytania o to, co można wywnioskować z danych, a co z leżących u ich podstaw zjawisk fizycznych. Finansowany przez ERBN projekt PhaseShift wypełnia tę lukę, opracowując teoretyczne podstawy skalowalnego, wytłumaczalnego naukowego uczenia maszynowego opartego na przestrzeniach fazowych Hamiltona i analizie mikrolokalnej. Projektuje operatory wykorzystujące uniwersalną lokalność przestrzeni fazowej, co poprawia wydajność i stabilność próbki. Wprowadza również zastępcze kinetyczne modele przestrzeni fazowej, które wychodzą daleko poza tradycyjne podejścia oparte na równaniach różniczkowych cząstkowych. Zespół projektu bada również interakcje skali i błędy indukcyjne w uczeniu się układów fizycznych i dynamice szeregów czasowych wielowymiarowych. Zastosowania obejmują kriotomografię elektronową, modelowanie sygnałów sejsmicznych i geofizyczne przewidywanie przepływu materiałów ziarnistych, zaawansowane obrazowanie oraz nauki o Ziemi.

Cel

Science and engineering have long relied on interpretable, parsimonious models of signals and systems. Today there is a shift to highly-parameterized neural networks trained on massive datasets. This often makes it hard to understand what is taken from physics and what from data, and what mechanisms determine when the methods succeed or fail. There is a need for solid foundations for scalable and interpretable scientific machine learning. A key idea is to work in phase spaces inspired by Hamilton’s and Boltzmann’s formalisms. Phase spaces lift problems into higher-dimensional representations but in return render descriptions of a broad range of phenomena simple and interpretable. They reveal the universal local structure which is key for efficient computation, learning, and interpretability. In PhaseShift, we will: - Develop theory and designs for operators that leverage the universal Hamiltonian structure underlying applications from tomography to fluid flows, as described by microlocal analysis. We will prove that phase-space locality significantly improves sample efficiency and Lipschitz stability over existing networks. - Introduce a new generation of interpretable surrogate models built on discrete kinetic phase spaces, going well beyond PDE-based physics to phenomena like granular flows where classic PDEs do not suffice. We will also adapt kinetic theory principles to model general multivariate time series - Study of the role of scale interactions in both data and physics, and the related inductive biases for learning physics. In parallel, we will apply the developed tools to outstanding challenges in imaging and Earth science: end-to-end learning for cryoelectron tomography to visualize cells at near-atomic resolution, kinetic modeling of multistation seismic signals, and learning the dynamics of geophysical granular flows.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-COG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSITAT BASEL
Wkład UE netto
€ 1 995 957,00
Koszt całkowity
€ 1 995 957,00

Beneficjenci (1)