Fyziky-znalé neuronové sítě, použité k modelování růstu krystalů

advisor:	Martin Holeňa
e-mail:	show e-mail
type:	bachelor thesis, master thesis
branch of study:	MI_MM, MI_AMSM, MINF, APIN
link:	http://www.cs.cas.cz/~martin/
description:	Fyziky-znalé neuronové sítě (physics-informed neural networks) jsou pravděpodobně nejslibnějším z těch typů umělých neuronových sítí, které byly navrženy teprve ve druhé polovině druhého desetiletí tohoto století. Kombinují tradiční schopnost neuronových sítí zachytit libovolné závislosti v datech s modelováním vztahů mezi různými veličinami a jejich derivacemi podle různých proměnných pomocí parciálních diferenciálních rovnic. Parciální diferenciální rovnice se již od 19. století používají k popisu přírodních zákonitostí ve fyzice, chemii a dalších přírodních vědách. Zabudování znalostí o těchto zákonitostech do neuronové sítě ji umožňuje natrénovat na požadovanou úroveň predikční přesnosti s menším množstvím trénovacích dat. V diplomové práci budou fyziky-znalé neuronové sítě použity k modelování řízeného růstu krystalů. Jejich použití k tomuto účelu zatím není z literatury známo, přestože jde o použití, které má velký praktický význam. Řízeným růstem se vyrábí křemíkové a galium-arsenové krystaly, které jsou nepostradatelné v elektronice. Diplomant se nejdříve důkladně seznámí s obecnou kostrukcí fyziky-znalých neuronových sítí. Poté se seznámí s některým z jednoduchých modelů růstu krystalů založených na parciálních diferenciálních rovnicích. Obecné schéma konstrukce fyziky-znalé neuronové sítě konkretizuje pro zvolený model, a to jak teoreticky, tak na implementační úrovni. Odladěnou implementaci fyziky-znalé neuronové sítě ověří na datech dodaných vedoucím práce a implementavaou síť také vyexportuje do platformově nezávislého formátu pro modelování pomocí neuronových sítí, ONNX.
references:	viz https://www.cs.cas.cz/~martin/diplomka72.html
last update:	16.04.2024 10:09:43

administrator for this page: Ľubomíra Dvořáková | last update: 09/12/2011