Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Partial differntiAl equatioN founDation models and their Application to mobile networks

Projektbeschreibung

Mit KI-gestützten Lösungen dynamisches Systemverhalten simulieren

Künstliche Intelligenz (KI) verändert grundlegend die Art und Weise, wie wir komplexe Differentialgleichungen lösen, die von Naturphänomenen bis hin zu technologischen Systemen alles beschreiben können. Neuronale Operatoren, die einen Durchbruch in der KI bilden, können diese Gleichungen mit bemerkenswerter Geschwindigkeit und Genauigkeit lösen, verglichen mit traditionellen Methoden, die rechenintensiv und daher für Echtzeitanwendungen eher unpraktisch sind. Mit Unterstützung der Marie-Skłodowska-Curie-Maßnahmen plant das Team des Projekts PANDA die Entwicklung von KI-Rahmenkonzepten, die auf universellen neuronalen Operatoren beruhen sowie multiskalige und nichtlineare Wechselwirkungen in physikalischen Phänomenen erfassen können. Mithilfe dieser Werkzeuge lassen sich präzise Vorhersagen über das Systemverhalten verschiedener Familien partieller Differentialgleichungen unter dynamischen Bedingungen treffen. Die Forschungsgruppe wird KI-basierte Löser für partielle Differentialgleichungen verfeinern, um technologische Systeme einschließlich der Vorhersage von Mobilfunknetzverkehr und Nutzungsmobilität zu modellieren.

Ziel

The resolution of Partial Differential Equations (PDEs) is fundamental to complex system modelling across a broad range of scientific disciplines, including physics, biology, and engineering. Conventionally, PDEs are solved through numerical methods, which are invariably computationally intensive, thus curbing the adoption of these techniques in intricate problems and real-time applications. Recently, artificial intelligence (AI)-driven approaches have emerged as promising alternatives to approximate with remarkable speed and accuracy, the solution of physics-based PDEs, and ultimately supplant legacy numerical PDE solvers.

This action will explore the development of AI-powered frameworks for the resolution of a wide range of physics-based PDEs. These frameworks will be underpinned by universal neural operators that can capture multi-scale and non-linear interactions present in physical phenomena, thereby enabling accurate predictions of physical system behaviour even under dynamic conditions and different families of PDEs.

Building on this foundation, the AI-based PDE solvers will be fine-tuned and leveraged to emulate the dynamics of technological non-physical systems. Specifically, they will be employed to forecast the spatiotemporal mobile network traffic demands and user mobility, with the respective traffic demand and mobility PDEs being mined in a data-driven manner. The proposed approach will be validated using real-world data from an operating mobile network, demonstrating the capacity of AI-based PDE solvers to simulate human-made system behaviours.

Ultimately, this action will instate the potential of AI in solving both classical physics-based and modern data-driven PDEs, offering a novel perspective on the intersection of physics-driven AI and next-generation digital twin modelling. At the same time, it will mold a multi-dimensional researcher and equip them with skills essential to pivot into the next generation of scientific and academic leaders.

Wissenschaftliches Gebiet (EuroSciVoc)

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

EIDGENOESSISCHE TECHNISCHE HOCHSCHULE ZUERICH
Netto-EU-Beitrag
€ 365 148,60
Adresse
Raemistrasse 101
8092 Zuerich
Schweiz
Region
Schweiz/Suisse/Svizzera Zürich Zürich
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Partner (2)