VUT

Přednáška se zabývá využitím umělé inteligence (AI) a pokročilými technikami strojového učení vhodnými pro vědecký výzkum. Dokument zmiňuje nástroje, jako je AutoGluon, což je silný open-source AutoML framework, který zjednodušuje proces vytváření přesných modelů strojového učení. Tento framework je schopen zpracovávat širokou škálu úkolů, včetně klasifikace a regrese dat, klasifikace obrazů, detekce objektů a predikce textů. AutoGluon je oblíbený díky své uživatelské přívětivosti — uživatelé mohou efektivně trénovat modely s minimem kódování. Automaticky provádí výběr modelu, tuning hyperparametrů a tvorbu kódu pro optimalizaci výkonu, což je flexibilní řešení pro různé datové sady a úkoly bez nutnosti rozsáhlých manuálních zásahů. Také podporuje distribuovaný trénink, což umožňuje škálovatelné řešení pro velké datové sady. Výkonnost frameworku a jeho uživatelsky přívětivé rozhraní jej činí atraktivním nástrojem jak pro začátečníky, tak pro zkušené odborníky na strojové učení, kteří hledají efektivní vývoj modelů. Přednáška také otevírá diskusi o rychle se měnícím světě kódování pomocí jazykových modelů, kdy jsou jednotlivé modely srovnávány na platformách Hugging Face, což umožňuje odborníkům udržovat krok s nejnovějšími inovacemi. Kromě konkrétních technických nástrojů se přednáška věnuje praktickým aspektům implementace AI ve výzkumu, což zahrnuje i výběr správných metod pro analýzu dat a interpretaci výsledků. Pro výzkumníky je důležité rozumět a adaptovat se na dynamický technologický ekosystém, který umělá inteligence nabízí, a objevovat nové způsoby, jak zefektivnit výzkumnou práci a lépe porozumět komplexním vědeckým problémům prostřednictvím datových analýz a modelování. Nechybí ani pohled na budoucnost AI technologií a jejich možné dopady na vědeckou komunitu, jakož i na širší společnost.
Tématem druhé části přednášky je pokročilé modelování a simulace pomocí neuronových sítí, konkrétně DeepONet a PINN a jeho aplikace např. v dynamice bublin a jiných jevech kde lze simulovat různé dynamické systémy. Jeden z klíčových detailů se zaměřuje na srovnání výkonnosti PINN a tradičních modelů. Tato metoda je inovativní nejen svojí přesností, ale také schopností adaptovat se pro různé typy fyzikálních simulací, které jsou náročné na výpočty. V oblasti digitálních dvojčat umožňuje racionální stavbu modelů, které lze aplikovat na různé jevy, čímž poskytuje širší pole působnosti v oblasti strojového učení. Nezanedbatelný je také přínos pro sběr a analýzu dat ze senzorů. Tento přístup přináší pokroky v efektivní simulaci dynamických systémů a může přispět k lepšímu pochopení a předvídání složitých procesů v reálném čase.
Odkazy: [video], [PDF]