Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Data-driven Algorithms for Physical Simulations

Alternativ tittel: Datadrevne metoder for fysiske simuleringer

Tildelt: kr 12,0 mill.

Å lære av eksempler er sentralt i naturvitenskap og ingeniørfag. Metoder som gjør dette har vist seg svært nyttige det siste tiåret, takket være tilgjengeligheten av mer data, raskere datamaskiner og bedre algoritmer. Innvirkningen sees i mange områder, inkludert språkprosessering, nevrovitenskap og epidemiologi. I løpet av det neste tiåret kan datadrevne metoder ha en tilsvarende effekt på fysiske simuleringer. For eksempel, tenk på algoritmer som kan lære å simulere komplekse fysiske prosesser. Mens både fysisk modellering og datadrevne metoder er uavhengige forskningsområder, har det hittil vært lite fokus på skjæringspunktet mellom disse to. Den overordnede ambisjonen for DataSim-prosjektet er derfor å utvikle neste generasjons fysiske simuleringsmodeller som bruker moderne maskinlæringsteknikker og matematisk teori for klassiske tilnærminger til fysisk modellering. DataSim-prosjektet vil bringe disse områdene sammen gjennom utvikling av ny matematikk, algoritmer og programvare. Spesielt interessant er stabiliteten til de kombinerte modellene og anvendelser av nevrale nettverk i klassiske metoder for å løse partielle differensialligninger, for eksempel som erstatning for heuristikker. Det sekundære målet med DataSim-prosjektet er å utdanne en ny generasjon forskere som jobber med skjæringspunktet mellom maskinlæring og vitenskapelig databehandling.

Modern applications in computational science are governed by multi-scale and partially unknown physically processes that are too complex or poorly understood to be explicitly represented by the governing equations or numerical methods. The plummeting cost of sensors, computational power, and data storage in the last decade offers new opportunities for data-driven modelling of such physical systems. However, while both physical modelling and purely data-driven methods are active independent research areas, little attention has been paid to the intersection of the two. In order to enable a shift towards simulation models that are either parametrised or controlled by data-driven algorithms, there is a pressing need for new mathematical tools, new numerical abstractions and new algorithms. The ambition of DataSim is therefore to design efficient algorithms to enable data-driven simulation described by partial differential equations. Specifically, we will propose simulation models that consist of partial differential equations coupled to machine learning models build using artificial neural networks. We will then design new algorithms for model identification, and adaptive control methods for partially unknown and dynamically changing physical systems. Based on these algorithms, we will develop a general software framework for specifying, evaluating and training such models. The capabilities of our approach will be demonstrated by developing a weather precipitation model from crowd-sourced weather station data.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek