Témavezetés adatlap
Csapodi Gellért
hallgató
témavezetés címe
Fizikai szimuláció mély neurális hálózatok segítségével
doktori iskola
témavezető
témavezetés módja
egyéni
fokozat típusa
PhD
témavezetés leírása
Napjainkban a mérnöki tudományok egyre szélésebb körében használatosak a mély neurális hálózatok, melyek általános leképezéseket és fizikai mezőket/eloszlásokat képesek rugalmasan és hatékonyan optimalizálható módon reprezentálni. A mélytanulás a képek, hangok vagy szövegek feldolgozása és generálása mellett olyan területeket is forradalmasítani készül, mint az alakzatrekonstrukció vagy a fizikai szimuláció. Ehhez kapcsolódóan számtalan érdekes kutatási lehetőség adódhat, melyekből itt csak néhány példát említünk.
A neurális hálózatok egy lehetséges alkalmazása a fizikai szimulációban a szimulációs tartományok geometriai leírásához kapcsolódik. A szimulációs tartományt általában diszkrét elemekre szokás bontani, ez azonban igen nagy kihívást jelent a gyakorlatban, főleg a szabványos geometriai modellezési technológiák (B-Rep, NURBS, stb.) korlátai miatt. A neurális hálózatok segítségével korábban példátlan komplexitású geometria reprezentálható pl. távolságmező vagy egyéb implicit függvény formájában. A neurális geometriai reprezentációkat végül számos numerikus módszer számára hasznosak lehetnek, pl. peremfeltételek érvényesítésére izogeometrikus vagy beágyazott (angolul immersed) analízisben.
Egy másik érdekes alkalmazási lehetőség hogy a neurális hálózatokat használjuk magára a fizikai szimulációra. A fizikai differenciál- vagy integrál-egyenletek megoldásait is szokás manapság neurális hálózatokkal kifejezni (Physics-Informed Neural Networks), de elképzelhető a klasszikus numerikus módszerek kiegészítése vagy feljavítása a mélytanulás módszereivel.
A kutatás célja tehát megvizsgálni a modern neurális hálózatok alkalmazási lehetőségeit a fizikai szimuláció területén.
képzés kezdete
2025-09-01
abszolutórium megszerzésének várható ideje
státusz
folyamatban lévő
témakiírás
témakiírás címe