Thesis supervisor: Luca Szegletes
Location of studies (in Hungarian): Automatizálási és Alkalmazott Informatikai Tanszék Abbreviation of location of studies: AUT
Description of the research topic:
Az utóbbi években a gépi tanulás robbanásszerű fejlődésével egyre több tudományágban jelent meg a deep learning (mélytanulás) és használják azóta az eszköztárát különböző problémák megoldására kezdve a gépi látástól az önvezető autókon át az ajánlórendszerekig.
Azonban a mélytanulás alkalmazása gráfokon nem triviális a gráfok egyedi szerkezete miatt. A gráfoknak egy alkalmazási területe a szerkezeti kémia. Itt gráfokkal modelleznek molekulaszerkezeteket és vizsgálják a gráf és a molekula tulajdonságai közötti összefüggéseket.
A gráf pontok (például atomok) és élek (például az atomok közötti kötések) halmaza. Megfigyelték, hogy a molekulák fizikai és kémiai tulajdonságai és a kémiai képletük topológiai szerkezete között összefüggés van (pl. szénhidrogén vegyületek szerkezeti képlete és forráspontja között). Így ha ismerjük egy molekula topológiai szerkezetét, következtethetünk annak tulajdonságaira.
A kutatás célja gráfelméleti algoritmusok vizsgálata, és olyan, elsősorban deep learning alapú algoritmusok tervezése, amelyeknek központi feladata gráf-problémák megoldása, törekedve arra, hogy minél nagyobb gráfokon alkalmazhatóak legyenek a kutatás során megalkotott módszerek. A kutatás egyik alkalmazási területe a szerkezeti kémia, ahol a cél topológiai szerkezeteket (pl. részgráfok) keresése molekulaszerekezetekben, valamint az így talált részgráfok és a molekulák tulajdonságai közötti összefüggések modellezése.
Required language skills: angol Number of students who can be accepted: 1