Description du projet
De nouveaux algorithmes pour améliorer l’apprentissage automatique du comportement physique dans l’espace et le temps
Des simulations numériques sont souvent nécessaires pour étudier le comportement de systèmes dont les modèles mathématiques sont trop complexes pour fournir des solutions analytiques. Pour étudier ces phénomènes, il est nécessaire de prendre en compte des dimensions spatiales qui sont à l’origine de difficultés de calcul et de stockage, du fait de l’importance des ressources nécessaires pour y parvenir. Le projet SpaTe, financé par l’UE, s’efforce de développer de nouveaux algorithmes capables d’inférer des fonctions spatio-temporelles, ce qui devrait permettre de disposer de représentations efficaces et donc, selon les développeurs, de mieux appréhender leur complexité et leur haute dimensionnalité. À terme, SpaTe nous apportera une meilleure compréhension du monde physique qui nous entoure avec des applications pratiques substantielles dans un grand nombre de domaines, allant des réseaux sociaux aux voitures autonomes.
Objectif
Numerical simulations are of tremendous importance for a wide range of scientific disciplines and commercial enterprises. For the majority of these natural phenomena, we not only need to consider the three spatial dimensions, but additionally we need to resolve how these phenomena develop over time. Thus, most natural simulations inherently need to resolve four dimensional functions, and most effects at human scales require fine discretizations along all four axes. As a consequence, these functions require large amounts of resources to compute and store. This problem becomes even more pronounced with the advent of data-driven techniques and machine learning. The learning algorithms effectively add additional dimensions, and the complexity and dimensionality of the corresponding functions explains the current lack of data-driven algorithms for space-time functions despite their enormous potential. Within this research project I plan to address the fundamental difficulties that arise in this setting: I will develop novel algorithms to infer spatio-temporal functions, and to construct efficient representations to tame their complexity and high dimensionality. This project combines numerical simulations with computer vision, and machine learning, and has the potential to radically change the way we work with physical simulations. Not only will it break new ground for fast and controllable VFX animations, but it will additionally facilitate the development of new ways to capture physical effects, in conjunction with algorithms to make physical predictions based on observations. Ultimately, this direction will allow us to better understand the physical world around us. It will help us to analyze sparse and ambiguous measurements such as videos and 3D scans automatically and reliably, with a vast range of practical applications from social-media apps to autonomous vehicles.
Champ scientifique
Programme(s)
Régime de financement
ERC-COG - Consolidator GrantInstitution d’accueil
80333 Muenchen
Allemagne