Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

DynNoise: Learning dynamical systems from noisy data

Alternativ tittel: DynNoise: Datedrevet læring av dynamiske system

Tildelt: kr 4,0 mill.

Dette prosjektet er tilknytta NTNU AMOS, og er eit samarbeid mellom NTNU, SINTEF og FFI for å utvikla metodar for å betre læra dynamiske system frå data. Fokuset vil vera på metodeutvikling basert på matematisk teori, og på bruk av metodane for å læra modellar som kan gje betre styring av undervass- og overflatefarkostar. Dynamiske system er system som skildrar korleis tilstanden til eit system utviklar seg med tida. I klassisk modellering blir desse typisk skildra ved hjelp av differensiallikningar, som ein må løysa for å predikera framtidige tilstandar. Ofte er det ikkje mogleg å løysa desse likningane analytisk, og då nyttar ein gjerne ein numerisk metode, eller ein såkalla numerisk integrator, for å approksimera løysingane. Differensiallikningane ein løyser er typisk basert på underliggande naturlover, men gjerne også antakelsar som er naudsynte forenklingar av røynda. Dette kan vera fordi systemet er for komplekst til å la seg skildra nøyaktig, eller fordi ein kjenner for lite av den underliggande dynamikken. Viss ein derimot har data som skildrar tilstanden til systemet ved ulike tider, kan det i staden vera formålstenleg å prøva å trena ein maskinlæringsmodell for systemet. I DynNoise skal det bli undersøkt korleis ein kan nytta og vidareutvikla teknikkar frå numerisk integrasjon, som er eit etablert fagfelt, i den nye settinga det er å læra dynamiske system frå data. Mykje av den etablerte teorien og kjende metodar innan numerisk integrasjon kan nyttast i treninga av maskinlæringsmodellane, men eigenskapane til desse metodane må då bli sett på i eit nytt lys. Vidare vil det i DynNoise også bli utvikla nye metodar som er spesifikt tilpassa trening frå data med støy, som er det ein må forventa å handtera i dei fleste naturlege settingar.

SINTEF Digital and the Norwegian Defence Research Establishment (FFI) are both involved as partners in the Centre for Autonomous Marine Operations and Systems (NTNU AMOS). We are seeking funding for two years of a PhD project within physics-informed machine learning, with applications to underwater robotics. The candidate will be employed at the Department of Mathematics at NTNU. In addition to AMOS, the PhD student will be connected to several other ongoing projects linked to this research area. Hybrid modeling combines data-driven and analytical modeling. This approach enables the simulation of dynamical systems from data, allowing physical principles and numerical analysis to inform and constrain deep learning models. In particular, Hamiltonian neural networks leverages the energy-preserving Hamiltonian formulation from classical mechanics to obtain a deep learning model that describes the dynamics of a physical system. Geometric numerical integration is a well-established field concerning numerical solutions that preserve geometric structure or follow first principles. Geometric integration and classical mechanics combine centuries of theoretical discoveries. Deep learning serves as an enabling technology allowing a range of complex systems to be modeled from data. A combination of these fields could trigger a revolution in mathematical modeling of dynamical systems. This PhD project aims at combining the mathematical rigor of geometric integration with the approximation capacity of neural networks, allowing neural networks to learn dynamical systems from data while preserving geometric structure. Furthermore, this project will explore how a learned system could support scientific discovery in underwater robotics and be applied in control of autonomous navigation vehicles.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon