Ing. Pavel Strachota, Ph.D.

MMG spolupracuje s průmyslovými partnery na vývoji matematických modelů a simulačního softwaru pro komplexní procesy, v nichž významnou roli hraje (vícefázové) proudění tekutin. Příkladem je spalování uhlí a biomasy ve fluidních kotlích i v kotlích na práškové palivo. Kromě samotného proudění je nutné modelovat i řadu dalších jevů jako jsou chemické reakce při hoření, produkce a přenos tepla nebo interakce více fází v hořící směsi (plyn, částečky paliva, drcený vápenec). Sestavit výsledné rovnice je obtížný úkol vyžadující dobrou znalost matematiky i inženýrský „cit“. S ohledem na aplikaci výsledků simulací je totiž třeba činit vhodné kompromisy mezi složitostí modelu, úrovní detailů, přesností, výpočetní náročností a dalšími aspekty. Výsledné modely mají víceškálový (multiscale) charakter, který klade vysoké nároky na vlastnosti a efektivitu numerického řešiče. Proto často používáme paralelní implementace pracující na výpočetních clusterech. Modely a numerické algoritmy je třeba verifikovat (ověřit správnou funkci pomocí standardních testů) a validovat (srovnat výsledky s reálnými naměřenými hodnotami).

Kromě "populárního" spalování v kotlích, které rádi ukazujeme na různých seminářích pro studenty, lze velmi podobně přistupovat i k řešení dalších problémů. Z poslední doby máme zkušenosti s modelováním proudění a kondenzace ve výfukovém potrubí automobilů a s modelováním dynamiky Li-ion akumulátorů. V průběhu řešení průmyslových projektů jsme se zabývali všemi výše popsanými aspekty daných problémů, avšak každý z nich by si rozhodně zasloužil pečlivější rozbor a studium. Budeme velmi rádi, když nám s tím pomůže někdo z Vás, talentovaných studentů :-) Téma je dostatečně rozsáhlé pro práci v průběhu několika let, od bakalářské práce po práci diplomovou, a případně i v doktorském studiu.

Kryptoměny mají do značné míry spekulativní povahu a obchodování s nimi není tolik ovlivněno vnějšími faktory, jako je to na burzách akcií. Kryptoměnové burzy nabízejí ruční zadávání příkazů přes webové rozhraní, avšak rozhodnutí nakoupit či prodat je jako sázení loterie. Kromě toho lze využít aplikační rozhraní (API) pro obchodování a s jeho pomocí vytvářet automaticky obchodující (ro)boty. Robot obvykle uplatňuje pevně naprogramovanou tzv. strategii, a obvykle prodělává. Není však možné díky odtrženosti kryptoměn od reálné ekonomiky vypozorovat v obchodování složitější vzory chování, které by umožnily predikovat budoucí vývoj a vyvinout výdělečnou strategii? A bylo by možné k tomu využít hluboké neuronové sítě (deep neural networks)?

V rámci dané práce bychom se pokusili prozkoumat, zda je vůbec nějaká šance na úspěch. Ve hře je nejen návrh architektury neuronové sítě, ale také výběr vstupních dat, časového rámce pro jejich sběr, a především otázky, na kterou má neuronová síť odpovědět. Například existují sítě, které umí predikovat budoucí vývoj (tvar křivky) ceny na základě historických dat. Predikce tak obsahuje spoustu informace, ale její úspěšnost je nepatrná. Jde to udělat chytřeji?

Práce nabízí příležitost porozumět metodám strojového učení a zejména fungování hlubokých neuronových sítí. Dále si student osvojí programátorské schopnosti a práci v Linuxu z uživatelské (překvapivě) i administrátorské stránky. Bonusem je náhled do fungování finančních trhů a samozřejmě vidina pohádkového zbohatnutí :)

Veškeré analýzy lze provádět na historických i veřejně dostupných aktuálních datech.

[1] C. C. Aggarwal - Neural Networks and Deep Learning, Springer, 2018.

[2] F. Chollet - Deep Learning with Python, Manning Publications Co., 2018.

[3] G. Zaccone, R. Karim - Deep Learning with TensorFlow, Packt Publishing, 2018.

[4] S. Pattanayak - Pro Deep Learning with TensorFlow, Apress, 2017.

[5] K. Söze - Bitcoin and Cryptocurrency Technologies. Sabi Shepherd Ltd., 2019.