Přístupnostní navigace
E-přihláška
Vyhledávání Vyhledat Zavřít
studijní program
Fakulta: FITZkratka: DITAk. rok: 2026/2027
Typ studijního programu: doktorský
Kód studijního programu: P0613D140028
Udělovaný titul: Ph.D.
Jazyk výuky: čeština
Akreditace: 8.12.2020 - 8.12.2030
Profil programu
Akademicky zaměřený
Forma studia
Prezenční studium
Standardní doba studia
4 roky
Garant programu
prof. Ing. Lukáš Sekanina, Ph.D.
Oborová rada
Předseda :prof. Ing. Lukáš Sekanina, Ph.D.Člen interní :prof. Dr. Ing. Pavel Zemčík, dr. h. c.prof. Dr. Ing. Zbyněk Raidaprof. RNDr. Josef Šlapal, CSc.prof. Ing. Pavel Václavek, Ph.D.prof. Ing. Tomáš Hruška, CSc.prof. RNDr. Alexandr Meduna, CSc.doc. Dr. Ing. Petr Hanáčekprof. Dr. Ing. Jan Černockýprof. Ing. Adam Herout, Ph.D.doc. Ing. Jan Kořenek, Ph.D.prof. Ing. Tomáš Vojnar, Ph.D.Člen externí :prof.,RNDr. Jiří Barnat, Ph.D.
Oblasti vzdělávání
Cíle studia
Cílem studijního programu je poskytnout vynikajícím absolventům magisterského studia specializované univerzitní vzdělání nejvyššího typu v informatice a výpočetní technice, zvláště pak v oblastech, ve kterých se profilují výzkumné skupiny FIT, a ve vztahu k výzkumným projektům řešeným na FIT:
Profil absolventa
Absolventi doktorského studijního programu Information Technology jsou schopni samostatně provádět vědecko-výzkumnou činnost a tvůrčím způsobem řešit složité teoretické, návrhové, verifikační, testovací, implementační a inovační problémy v oblasti informatiky. Jsou vybaveni pokročilými znalostmi jak z teoretické informatiky, tak i z oblasti algoritmizace, tvorby software i hardware a zkušenostmi s jejich uplatněním v různých aplikacích. Hlavní důraz a cíl studia je směřován na vědeckou a tvůrčí činnost a představení výstupů této činnosti vědecké komunitě na mezinárodní úrovni, zejména ve formě publikačních výstupů. Další nedílnou součástí je získání zkušeností s prací v týmu a pravidelná prezentace dosažených výsledků, nejdříve pro kolegy na FIT a později na mezinárodních vědeckých konferencích. Absolventi doktorského studijního programu mají tedy nejen teoretické a specializované znalosti dle svého odborného zaměření, ale zároveň i zkušenosti s publikační činností a uplatněním a prezentací výsledků na mezinárodní úrovni.
Charakteristika profesí
Absolventi FIT obecně a absolventi doktorského studia zejména nemají problém najít uplatnění jako vědečtí, pedagogičtí či řídicí pracovníci jak v ČR tak v zahraničí.
Podmínky splnění
Jsou vymezeny individuálním studijním plánem studenta, jenž specifikuje studijní předměty, které je student povinen úspěšně absolvovat, předpokládané stáže a účasti na odborných konferencích a minimální pedagogické působení v bakalářském nebo magisterském studijním programu fakulty. Úspěšné ukončení studia je podmíněno:
Vytváření studijních plánů
Jsou stanovena směrnicí děkana Pravidla o organizaci studia na FIT pro sestavovaní individuálního plánu studenta. Individuální studijní plán vychází z tématu disertační práce a podléhá schválení oborovou radou.Předepisuje:
Dostupnost pro zdravotně postižené
Vysoké učení technické v Brně umožňuje studium osobám se zdravotním postižením dle § 21, odst. 1 písm. e) zákona 111/1998 Sb. vysokých školách a o změně a doplnění dalších zákonů ve znění pozdějších předpisů a dle požadavků v této oblasti vyplývajících z nařízení vlády č. 274/2016 Sb., o standardech pro akreditace ve vysokém školství, poskytuje uchazečům o studium a studentům se specifickými potřebami služby v rozsahu a formou odpovídající specifikaci uvedené v Příloze č. 3 k Pravidlům pro poskytování příspěvku a dotací veřejným vysokým školám Ministerstvem školství, mládeže a tělovýchovy, specifikující financování zvýšených nákladů na studium studentů se specifickými potřebami.Služby pro studenty se specifickými potřebami jsou na VUT v Brně realizovány prostřednictvím aktivit specializovaného pracoviště - poradenského centra Alfons, které je součástí Institutu celoživotního vzdělávání VUT v Brně - sekce Poradenství pro studenty.Aktivity poradenského centra a pravidla zpřístupňování studia univerzita garantuje platnou Směrnicí rektora č. 11/2017 upravující postavení uchazečů o studium a studentů se specifickými potřebami na VUT v Brně. Tato vnitřní norma garantuje minimální standardy poskytovaných služeb.Služby poradenského centra jsou nabízeny uchazečům o studium a studentům se všemi typy zdravotního znevýhodnění uvedených ve zmíněném Metodickém standardu Ministerstva školství, mládeže a tělovýchovy.
Návaznost na další typy studijních programů
Studijní program navazuje jak na dobíhající navazující magisterský program Informační technologie, tak na nový navazující magisterský program Informační technologie a umělá inteligence.Studenti mohou dále, podle svých potřeb a mimo své formalizované studium, také absolvovat kurzy a školení týkající se metodologie vědecké práce, publikačních a citačních dovedností, etiky, pedagogiky a tzv. měkkých dovedností, které organizuje VUT či jiné instituce.
Vypsaná témata doktorského studijního programu
Výzkum v oblasti agentní umělé inteligence pro návrh čipů a automatizaci elektronického návrhu (EDA) se rychle přesouvá od pasivní optimalizace jednotlivých nástrojů k autonomním, cílově orientovaným pracovním postupům. Systémy agentní umělé inteligence využívají uvažující agenty k plánování a koordinaci nástrojů EDA, učení se z výsledků a spolupráci při řízení vícestupňových úkolů v průběhu celého životního cyklu návrhu polovodičů.
Cílem výzkumu je přinést autonomii založenou na AI do různých fází frontendových a backendových komponent návrhu integrovaných obvodů, včetně RTL, verifikace a fyzického návrhu. Prvním krokem bude přizpůsobení a použití specializovaných modelů trénovaných na Verilogu, netlistech a datech rozvržení k pochopení sémantické struktury elektronických obvodů, překladu požadavků do syntetizovatelného kódu a automatické iterace s využitím zpětné vazby kompilátoru v kontextu automobilového procesoru RISC-V, zkoumaného v rámci projektu Chips JU Rigoletto.
Školitel: Smrž Pavel, doc. RNDr., Ph.D.
SW projekty, které využívají dynamické datové struktury v kombinaci s ukazateli, jsou velmi náchylné na chyby při práci s pamětí (null pointer dereference, memory leaky, ...). Zároveň jde často o systémový kód používaný v jádrech operačních systémů, sdílených knihovnách, nebo interpreterech vyšších programovacích jazyků.
Cílem této práce je navázat na současné techniky pro analýzu programů s dynamickou pamětí, zejména pak na techniky založené na Separační logice a tzv. bi-abdukci. Práce může být směrována na jazyk C/C++, nebo jiný vhodný programovací jazyk. Práce bude navazovat na práci členů skupiny VeriFIT a práci dr. F. Zulegera z TU Wien.
Alternativním směrováním práce může být navázat na současné techniky pro automatizovanou analýzu složitosti s cílem analýzy otevřeného kódu a/nebo kódu se složitými datovými strukturami. Práce bude navazovat na práci členů skupiny VeriFIT a práci dr. F. Zullegera z TU Wien a dr. M. Sinna z Fachhochschule St. Pölten.
Práce bude řešena ve spolupráci s týmem VeriFIT zabývajícím se na FIT VUT technikami pro verifikace programů se složitými datovými strukturami (zejména dr. L. Holík, prof. T. Vojnar, ing. T. Dacík, ing. V. Šoková). V případě zodpovědného přístupu a kvalitních výsledků je zde možnost zapojení do grantových projektů (včetně mezinárodních). Je zde rovněž možnost úzké spolupráce s různými zahraničními partnery VeriFIT: TU Wien, Rakousko (dr. F. Zulleger); Verimag, Grenoble, Francie (dr. R. Iosif); IRIF, Paříž, Francie (prof. A. Bouajjani, dr. M. Sighireanu).
V rámci tématu se student může také aktivně zapojit do různých grantových projektů řešených v rámci skupiny VeriFIT.
Školitel: Rogalewicz Adam, doc. Mgr., Ph.D.
Hodnocení úplnosti testovacích sad vůči softwarovým požadavkům představuje zásadní problém při verifikaci kritických systémů, zejména v regulovaných doménách. Současná praxe je převážně založena na manuálním posuzování, které je náročné a náchylné k chybám. Disertační práce se zaměří na výzkum formálních a automatizovaných metod pro analýzu pokrytí požadavků testovacími případy, s důrazem na sémantické aspekty požadavků a jejich implicitní chování. Cílem práce je navrhnout formální rámec pro reprezentaci požadavků a testovacích případů a definovat objektivní kritéria pokrytí vycházející ze sémantiky požadavků (např. kombinace podmínek, časová omezení, sekvence akcí či stavové přechody). Na tomto základě budou zkoumány metody pro výpočet míry pokrytí testovací sady a pro identifikaci nepokrytých sémantických případů. Výzkum se zaměří zejména na následující oblasti:
Součástí práce bude návrh a implementace prototypových nástrojů podporujících vybrané aspekty navrženého přístupu a jejich ověření na příkladech z oblasti vestavěných a avionických systémů. Důraz bude kladen na propojení formálních metod, testování softwaru a technik automatizace analýzy, s cílem přispět k systematickému a opakovatelnému hodnocení kvality testovacích sad.
Student bude studovat techniky deepfake útoků na obrázky a videa lidských tváří. Doktorské studium je navázané na projekt TrustedFace (s firmou Innovatrics). Cílem je zkoumat existující deepfake útoky na obrázky lidských tváří s cílem podvrhnout identitu, kvantifikovat jejich závažnost a navrhovat možné obrany – jak detekci útoků, tak jejich předcházení. Student se bude muset hluboce seznámit s dostupnými datovými sadami lidských tváří, technikami identifikace a verifikace tváří v obraze a videu, technikami deepfake útoků. Konečným cílem studia a práce na doktorátu je vyvíjet možnosti obran proti deepfake útokům a vytvářet doporučení pro systémy využívající identifikaci a verifikaci na základě tváře.
Školitel: Herout Adam, prof. Ing., Ph.D.
Motivace:
Kryptoměny se obecně využívají za účelem téměř instantního (tj. do doby zaúčtování do blockchainu), decentralyzovaného (tj. bez žádné regulační autority) a (pseudo)nymního převodu kryptoaktiva (ať už mincí, či tokenů) mezi účastníky. Tyto a mnohé další vlastnosti vycházející z inherentního využití kryptografie jsou i důvodem, proč jsou kryptoměny nedílnou součástí kyberkriminálních aktivit (např. vydírání skrz ransomware, nákupy/prodeje na dark marketplacech, investiční podvody).
Majorita kryptoměn je provozována jakožto peer-to-peer síť uzlů, které si vzájemně aktualizují a udržují repliku blockchainu. Uzly mezi sebou komunikují pomocí standardizovaných protokolů (např. Bitcoin protocol [1]). Dle zasíláné zprávy protokolem lze usuzovat stav na straně uzlu (např. vytvoření nové transakce), ale i sbírat související indentifikátory (např. IP či kryptoměnová adresa či hash transakce). Nadto existují i další overlay sítě nad existujícími kryptoměnovými (např. Lightning Network [2]), kde lze stejné principy aplikovat a vzájemně tak informace z nich propojovat (podobně jako při detekci těžařů [3]), kde ultimátním cílem je deanonymizace uživatelů kryptoměn a jejich adres. Tato disertační práce by tak mohla zásadně přispět bezpečnostním složkám při ztožňování uživatelů kryptoměnových adres a propojováním jejich identit v blockchainovém a síťovém světě.
Cíl:
Záměrem této práce je vyvinout a ověřit nové metody analýzy síťového provozu souvisejícího s kryptoměnami tak, aby došlo k deanonymizaci uživatele a s ním souvisejících identifikátorů.
Předpokládané fáze řešení:
Projekt:
Práce bude tematicky navazovat na výsledky dřívějších projektů jako TARZAN a MIXER. Vědecké úsilí i předpokládané výstupy budou součástí řešení projektů COW (https://www.fit.vut.cz/research/project/c36822/) a COP IDEA (https://www.fit.vut.cz/research/project/c38120/). Financování se počítá primárěně z prostředků projektu COW.
Reference:
[1] P2P Network. In: Bitcoin Developer Guide [online]. Bitcoin.org [navštíveno 2026-04-07]. Available from: https://developer.bitcoin.org/devguide/p2p_network.html
[2] POON, J. and DRYJA, T. The Bitcoin Lightning Network: Scalable Off-Chain Instant Payments [online]. Draft v0.5.9.2. 2016-01-14 [navštíveno 2026-04-07]. Available from: https://lightning.network/lightning-network-paper.pdf
[3] VESELÝ, V.; ŽÁDNÍK, M. How to detect cryptocurrency miners? By traffic forensics!. Digital Investigation, 2019, vol. 31, no. 31, p. 1-14. ISSN: 1742-2876.
Školitel: Veselý Vladimír, Ing., Ph.D.
V posledních letech došlo ke zvýšení využití neuronových sítí pro generování syntetického obsahu, které jde ruku v ruce s nárůstem nových výzev v oblasti kybernetické bezpečnosti. Generativní modely mohou mít různé vlivy na kybernetickou bezpečnost, od pozitivních až po negativní.Významnou oblastí je bezpečnost nasazení a provozu generativních modelů, primárně pak velkých jazykových modelů.Cílem této práce je ve vybrané doméně nasazení a provozu LLM identifikovat problémové oblasti (např. útoky na inferenci modelů, krádeže modelů, či krádeže informací) a analyzovat nové trendy, přístupy, obrany a jejich vlastnosti, dopady a potenciální aplikace. Práce by poté měla na základě analýzy a výzkumu stavu bezpečnosti pro vybrané oblasti navrhnout nové metody ochrany.
Doporučené oblasti zaměření práce:Útoky a obrany v oblasti postranních kanálů velkých jazykových modelůÚtoky a obrany v oblasti inference velkých jazykových modelůObrany v oblasti adverzních (z angl. "adversarial") útoků na velké jazykové modely
Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.
Školitel: Malinka Kamil, doc. Mgr., Ph.D.
Umělé konvoluční a transformerové neuronové sítě (NN) se v poslední době hojně používají ve výpočetně náročných úlohách klasifikace, predikce a rozpoznávání. Cílem disertační práce bude navrhnout metody pro optimalizaci inference NN na vestavěných zařízeních. Úkolem bude snižovat energetickou náročnost výstupu za pomoci pokročilých technik, jako je např. hledání vhodné reprezentace dat a vah, architektury sítě, optimalizace plánování výpočtu na existujících platformách či vlastní implementace části výpočtu NN. Výzkum spadá do témat řešených výzkumnou skupinou EvoAI Hardware.
Školitel: Mrázek Vojtěch, doc. Ing., Ph.D.
Budeme vyvíjet techniky pro práci s konečnými automaty s aplikacemi v automatickém usuzování, verifikaci a rozhodování logik. Přestože jsou automaty základním konceptem informatiky s širokými aplikacemi a dobře prozkoumanými teoretickými základy, jejich praktické využití a rozšíření zůstává aktivní a náročnou oblastí výzkumu.
Oblast je silně motivována aplikacemi ve verifikaci a testování, vyhledávání regulárních vzorů, umělé inteligenci, SMT-solvingu, návrhu systémů a automatické syntéze. Například nejefektivnější algoritmy pro regulární vyhledávání jsou automatové, avšak jejich zobecnění na zpětné reference, čítače opakování či look-arounds zůstává otevřené. String-solving má význam ve verifikaci programů, zejména v bezpečnostní analýze webových aplikací (SQL injection, XSS), analýze přístupových politik v cloudu či verifikaci kritického software. Výzvou je také efektivní implementace rozhodovacích procedur pro celočíselnou aritmetiku a další logiky. Regulární model checking umožňuje verifikaci systémů s nekonečným stavovým prostorem (např. dynamické datové struktury, komunikační protokoly). Automatové techniky lze využít i pro syntézu programů (např. rozhraní či drivery).
Tyto oblasti otevírají zásadní teoretické otázky rozhodnutelnosti a složitosti. Např.: jak modelovat zpětné reference pomocí automatů? Co je rozhodnutelné o programech manipulujících řetězce či dynamické struktury a za jakou cenu?
Z praktického hlediska jde o efektivní implementaci automatových algoritmů a omezení stavové exploze. Klíčové jsou kompaktní reprezentace (minimalizace, abstrakce, aproximace) a rozšíření jako alternující, symbolické či čítačové automaty. Důležité je porozumět jejich vlastnostem a navrhnout implementace, které obstojí v reálných aplikacích.
Výzkum probíhá ve skupině VeriFIT (L. Holík, prof. Vojnar, dr. Lengál, doc. Rogalewicz, doc. Češka, doktor Smrčka), která dosahuje špičkové mezinárodní úrovně (publikace, nástroje, ocenění, spolupráce např. s Microsoft Research, Academia Sinica, Uppsala University aj.). Spolupracujeme i s průmyslem (Red Hat, Honeywell, Embraer). Absolventi mají výborné uplatnění v akademii i praxi. Skupina je úspěšná v grantové činnosti, což umožňuje nadstandardní finanční podporu doktorandů.
Školitel: Holík Lukáš, doc. Mgr., Ph.D.
Různé typy logik a automatů patří mezi nejzákladnější objekty studované a aplikované v oblasti informatiky již desítky let. Přesto v této oblasti existuje řada dosud neuspokojivě vyřešených problémů a neustále se objevují nové, vzrušující problémy související se stále novými aplikacemi logik a automatů (např. při formální verifikaci konečně i nekonečně stavových systémů s různými pokročilými řídicími či datovými strukturami, v rozhodovacích procedurách, při syntéze programů či hardware, ve verifikaci kvantových programů nebo i v metodách efektivního vyhledávání v různých typech dat či v síťovém provozu).Předmětem disertační práce bude primárně rozvoj současného stavu v oblasti efektivní práce s různými logikami (např. nad ukazatelovými strukturami, řetězci, různými aritmetikami, temporálními logikami apod.). Za tím účelem budou zkoumány přístupy založené na různých typech rozhodovacích diagramů, automatů, ale také např. přístupy založené na existenci modelu omezené velikosti či na efektivních redukcích mezi různými typy logických teorií. V souvislosti s tím pak budou rozvíjeny i metody efektivní práce s rozhodovacími diagramy a různými typy automatů (automaty nad slovy, stromy, nekonečnými slovy, automaty s čítači, registry apod.). Práce zahrne jak teoretický výzkum, tak také prototypovou implementaci navržených technik a jejich experimentální vyhodnocení.Práce bude řešena ve spolupráci s týmem VeriFIT zabývajícím se na FIT VUT rozvojem technik pro práci s logikami a automaty a jejich aplikacemi. Je zde rovněž možnost úzké spolupráce s různými zahraničními partnery VeriFIT: Academia Sinica, Taiwan (prof. Y. Chen); TU Vienna, Rakousko (doc. F. Zuleger); LSV, ENS Paris-Saclay (prof. M. Sighireanu); IRIF, Paříž, Francie (prof. A. Bouajjani, doc. P. Habermehl, doc. C. Enea), Verimag, Grenoble, Francie (doc. R. Iosif); Uppsala University, Švédsko (prof. P.A. Abdulla, prof. B. Jonsson); či RPTU, Kaiserslautern, Německo (prof. A.W. Lin).
Školitel: Lengál Ondřej, doc. Ing., Ph.D.
Téma je zaměřeno na algoritmy embedded zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat možnosti "chytrých" a "malých" zařízení, která by měla nové vlastnosti, a bylo možné je efektivně nasadit do aplikací vyžadujících malé, skryté, distribuované, nízkopříkonové, mechanicky nebo klimaticky namáhané jednotky schopné zpracovávat signálové vstupy. Nasazení takových jednotek je perspektivní a široké a předpokládá se i propojení do klient/server a/nebo cloud systémů. Samotné jednotky mohou být založeny na efektivním CPU/GPU/DSP/AI akcelerátoru, na programovatelném hardware, případně na kombinaci těchto technologií. Může se jednat i o smart kamery. Aplikace, které jsou v oblasti zájmu tohoto tématu:
Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, HE, ECSEL (předpoklad pracovního poměru).
Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.
Strojové učení, evoluční algoritmy a jejich kombinace mají značný potenciál při zvyšování úrovně automatizace návrhu číslicových obvodů a při automatizovaném generování inovativních obvodových řešení. Typickým příkladem je návrh, implementace a optimalizace akcelerátorů algoritmů strojového učení, vč. hlubokých neuronových sítí, či jejich klíčových komponent, např. aritmetických obvodů. Cílem výzkumu bude hledání nových použití metod evolučního strojového učení při automatizovaném návrhu hardwarových akcelerátorů DNN, aproximativních aritmetických obvodů či logické syntéze. Součástí projektu bude tvorba a evaluace vhodných datových sad, experimentálních návrhových systémů, náhradních modelů pro urychlení evaluace apod.Výzkum spadá do témat řešených výzkumnou skupinou EvoAI Hardware.
Školitel: Sekanina Lukáš, prof. Ing., Ph.D.
Velké jazykové modely LLM se dnes aplikují v různých oblastech, kde vykonávají běžné a opakující se činnosti. Podporu LLM lze využívat i při návrhu sítě a konfiguraci síťových zařízení, kde mohou na základě pokynů v připorozeném jazyce generovat konfiguraci v doménovém jazyce daného výrobce (např. Cisco IOS, Juniper OS apod). Generování konfigurace však vyžaduje přesnost a schopnost detekovat možné chyby, které vznikají nepřesností zadání, halucinacemi LLM modelů a další.
Zadané téma rozvíjí princip zvaný Intent-based Networking, kdy využijeme jazykové modely LLM a systém spolupracujících agentů k tomu, abychom navrhli postup pro implementaci požadovaného síťového chování a vygenerovali odpovídající konfiguraci pro konkrétní síťová zařízení.
Aby bylo možné daný postup používat v praxi, je potřeba navrhnout způsob ověření vygenerované konfigurace kombinací statické a dynamické verifikace, které ověří, zda daná konfigurace splňuje požadavané vlastnosti.
Školitel: Matoušek Petr, doc. Ing., Ph.D., M.A.
Genetické programování (GP), které využívá velký jazykový model (LLM) jako sofistikovaný genetický operátor, či LLM, který používá GP pro řízení generování řešení, se v poslední době využívají pro zefektivnění automatizovaného návrhu programů i číslicových obvodů. Cílem projektu bude vytvořit metodu, která vhodně zkombinuje GP a LLM s cílem vylepšit kvalitu generovaných programů či obvodů a současně zrychlit celý proces návrhu. Vytvořená metoda bude ohodnocována na etablovaných testovacích úlohách z oblasti syntézy programů i obvodů. Výzkum spadá do témat řešených výzkumnou skupinou EvoAI Hardware.
Neuronové sítě (NN) dosahují v posledních letech průlomových výsledků v úlohách jako je rozpoznávání obrazu, zpracování přirozeného jazyka, detekce objektů či prediktivní řízení. Rostoucí zájem o nasazení NN v aplikacích s přísnými požadavky na odezvu – jako jsou autonomní vozidla, průmyslová robotika, obchodování na burze nebo monitorování síťového komunikace – vytváří tlak na zkrácení latence inference na úroveň stovek nanosekund až jednotek mikrosekund.
Obecné výpočetní platformy (CPU, GPU) nabízejí sice vysokou flexibilitu, avšak narážejí na fyzikální limity dané přenosem dat mezi pamětí a procesorem a vysokou spotřebou energie. Oproti tomu FPGA (Field-Programmable Gate Arrays) umožňují plně přizpůsobit datové cesty, paralelismus a přesnost výpočtů konkrétní architektuře sítě. Díky rekonfigurovatelnosti, deterministické latenci a nízké spotřebě energie představují FPGA perspektivní platformu pro akceleraci NN, zejména v edge computing a vestavěných systémech.
Přesto zůstávají otevřené klíčové výzkumné otázky: jak efektivně mapovat různé topologie sítí na omezenou plochu čipu, jak minimalizovat latenci při zachování přijatelné přesnosti, a jak automatizovat a zobecnit tento proces pro různé rodiny NN a FPGA.
Cíle disertační práce
Analýza současného stavu – Systematická rešerše existujících přístupů k mapování NN na FPGA, identifikace jejich omezení z hlediska latence, propustnosti a energetické účinnosti.
Návrh nových hardwarových architektur – Výzkum a návrh specializovaných výpočetních jader (processing elements) a paměťových hierarchií optimalizovaných pro nízkolatenční inferenci konvolučních (CNN), rekurentních (RNN) a transformerových architektur.
Metody kvantizace a prořezávání sítí cílené na FPGA – Výzkum technik snižování bitové šířky (mixed-precision quantization), strukturálního prořezávání a komprese modelů s ohledem na specifika FPGA architektury s cílem minimalizovat výpočetní i paměťové nároky při zachování přesnosti.
Automatizované mapování (HLS a další) – Návrh a ověření metodiky či nástroje pro automatické generování FPGA implementace z vysokoúrovňového popisu NN s optimalizací latence jako primárního kritéria (rozšíření přístupů HLS, např. Vitis HLS, nebo přímá syntéza na úrovni RTL).
Experimentální validace – Implementace a měření navržených architektur na reálném FPGA hardware (např. Xilinx/AMD Ultrascale+, Intel/Altera Agilex) a srovnání s referenčními řešeními (GPU, existující FPGA frameworky jako hls4ml, finn).
Zobecnění a přenositelnost – Formulace obecných principů a doporučení pro návrh nízkolatenčních FPGA akcelerátorů NN aplikovatelných napříč různými doménami.
Očekávané přínosy
Školitel: Martínek Tomáš, doc. Ing., Ph.D.
Cílem práce bude rozvíjet techniku "homografické navigace", což je nový koncept vznikající pod vedením vedoucího doktorského studia. Řešitel bude vyvíjet algoritmy počítačového vidění a souvisejícího strojového učení. Učení modelů pro homografickou navigaci musí být minimalisticky supervidované. Jak algoritmy učení, tak algoritmy inference a použití v aplikaci musejí být rychlé a nenáročné na zdroje. Při řešení se předpokládá i prototypování a vývoj aplikace rozšířené reality, která bude použita pro získávání dat, pro uživatelské testování a další související úlohy. Technika homografické navigace má mít bezprostřední uplatnění v průmyslu, takže součástí doktorského studia bude i vývoj všech podstatných technik do produkční fáze.
Téma je řízeno potřebami uživatelů, pro které je soukromí dat klíčové, a zaměřuje se na vylepšení systémů umělé inteligence (zejména rozpoznávání řeči) v případě, že je uživatel schopen identifikovat a opravit chyby způsobené AI systémem. Téma zahrnuje správné vyhodnocení systémů HIL, výběr dat, která mají být navržena k opravě, a samotné techniky jemného doladění/adaptace pracující s rozsáhlými předtrénovanými modely.
Školitel: Černocký Jan, prof. Dr. Ing.
V současné době dochází k dynamickému rozvoji metod umělé inteligence, zejména velkých jazykových modelů, které umožňují pokročilé zpracování a interpretaci rozsáhlých nestrukturovaných dat. Přesto však zůstává otevřeným problémem efektivní dolování znalostí z heterogenních datových zdrojů a jejich transformace do podoby vhodné pro trénování a zlepšování AI systémů. Kvalita a struktura vstupních znalostí přitom zásadně ovlivňuje výslednou přesnost, robustnost i interpretovatelnost těchto systémů.
S rostoucí komplexitou dat i požadavků na automatizované rozhodování narůstá potřeba vývoje metod, které umožní systematickou extrakci, reprezentaci a využití znalostí napříč různými doménami. Tato problematika má jak významný teoretický přínos, tak i široký aplikační potenciál v oblasti inteligentních agentů a decision support systémů.Cílem disertační práce je navrhnout, implementovat a experimentálně ověřit nové přístupy k dolování, reprezentaci a využití znalostí z heterogenních datových zdrojů pro zlepšení výkonu AI systémů založených na jazykových modelech.
Současně bude práce koncipována obecně, aby výsledky byly přenositelné i do dalších oblastí, kde je klíčová práce se znalostmi a daty, jako jsou podnikové informační systémy, decision support systémy, autonomní AI agenti nebo aplikace v průmyslu, zdravotnictví či veřejné správě.
Školitel: Burget Radek, doc. Ing., Ph.D.
Tato práce se zaměřuje na studium a návrh generativních neuronových modelů pro učení latentních reprezentací řečových signálů, s důrazem na efektivní zachycení a oddělení jednotlivých řečových atributů, jako jsou identita mluvčího, emoce, prozodie či artikulace. Cílem je navrhnout modely, které umožní disentanglement těchto atributů v latentním prostoru a jejich následnou kontrolovatelnou manipulaci při syntéze řeči. Práce bude zahrnovat analýzu existujících přístupů (např. variational autoencoders, generative adversarial networks či diffusion modely), návrh vlastních metod a jejich experimentální ověření na reálných řečových datech. Výsledkem by mělo být zlepšení kvality a flexibility generovaných řečových signálů a hlubší porozumění reprezentaci řeči v generativních modelech.
Školitel: Burget Lukáš, doc. Ing., Ph.D.
Tématem jsou algoritmy počítačové grafiky a syntézy obrazu. Hlavním cílem je zkoumat nové a moderní algoritmy počítačové grafiky, související datové struktury, související otázky získávání a zpracování 3D modelů a další aspekty algoritmů tak, aby bylo lépe rozumět jejich vlastnostem a možnostem, zlepšovat a připravovat nové. Je možno pracovat na různých platformách, včetně paralelních CPU jáder x86/64, ARM, Xeon PHI, GPU apod. v OpenCL, CUDA, v FPGA ve VHDL, případně i jinak. Možné algoritmy zahrnují:
Po dohodě je možné zpracovávat i individuálně vybrané algoritmy, které ve výše uvedeném seznamu nejsou, ale patří do dané tématiky.
Tato disertační práce se zaměří na vývoj pokročilých metod pro analýzu forenzních stop s využitím multimodálních dat, zejména obrazových a textových informací. Dynamický rozvoj metod umělé inteligence, především hlubokých neuronových sítí a velkých předtrénovaných modelů, významně rozšiřuje možnosti automatizovaného zpracování a interpretace forenzních materiálů a přispívá ke zvýšení efektivity a objektivity forenzního zkoumání, mimo jiné i v podmínkách Celní správy a dalších bezpečnostních složek. Klíčovou výzvou je přitom robustní analýza netradičních a omezených datových souborů.Výzkumná činnost se bude zabývat multimodální analýzou forenzních stop zejména z hlediska praktické využitelnosti, a to především: (1) návrhem nových metod analýzy netradičních obrazových dat, jako jsou např. rentgenové snímky z kontrolních zařízení využívaných v rámci činnosti Celní správy; (2) vývojem metod pro augmentaci a syntetické rozšiřování datasetů s cílem zvýšit robustnost a generalizaci modelů při detekci rizikových objektů; a (3) propojením metod počítačového vidění s metodami zpracování přirozeného jazyka pro společné vyhodnocení obrazových stop a související textové dokumentace.Celkovým cílem práce je navrhnout a ověřit robustní multimodální přístup k analýze forenzních stop využitelný v praxi Celní správy a dalších bezpečnostních složek.
Školitel: Hanáček Petr, doc. Dr. Ing.
Cílem disertační práce je rozvíjet nekonvenční modely šíření akustických vln. V práci se zaměříme na pokročilé akustické propagátory, Gaussian beam modely a dekompozice spektrálních metod. Cílem je vytvořit hybridní model, který bude pro nízké frekvence používat k-Wave, zatímco pro vysoké frekvence pokročilé propagátory. Tímto bude výrazně snížena prostorová i časová složitost. Mimo vlastního návrhnu algoritmu budeme pracovat i na efektivní implementaci těchto modelů na svazcích GPU stanic.
Školitel: Jaroš Jiří, prof. Ing., Ph.D.
Tématem jsou algoritmy grafiky, zpracování obrazu a videa, tedy "Visual Computing", například HDR (High Dynamic Range) obrazu, multispektrálního obrazu, stereoobrazu, případně obrazu doplněného o vlastnosti materiálu, teplotě, apod. Cílem je lépe porozumět jejich vlastnostem a možnostem, ale i aplikacim, algoritmy do hloubky analyzovat, zlepšovat a připravovat nové. Možné algoritmy zahrnují:
Je možnost spolupráce i na grantových projektech, zejména TAČR, MPO, HE, ECSEL (předpoklad pracovního poměru).
Předmětem disertační práce bude vývoj teoretických základů a algoritmů pro bezpečné řízení agentů s využitím neurosymbolické AI, která kombinuje metody hlubokého zpětnovazebného učení a symbolických formálních metod. Důraz bude kladen na přístupy, které garantují bezpečné a vysvětlitelné řešení. Disertační práce se zaměří na syntézu rozhodovacích stromů a konečně stavových kontrolérů a rovněž na monitorovací metody a runtime verifikaci pro agentní systémy. V rámci disertační práce budou taktéž zkoumány metody strojové učení modelů a jejich abstrakce dovolující využití formálních metod. Práce se zaměří na využití těchto metod v oblasti řízení agentů v prostředí s pravděpodobnostní dynamikou a částečným pozorováním, a na důkladné vyhodnocení aplikovatelnosti těchto metod. Výsledky této práce přispějí k pokroku v oblasti autonomních systémů.
Výzkumu neurosymbolických metod řízení je v současnosti věnována značná pozornost v oblastech umělé inteligence a formálních metod, o čemž svědčí zaměření řady špičkových konferencí (např. AAAI, AAMAS, CAV, či TACAS).
Práce bude řešena ve spolupráci s týmem VeriFIT pod vedením doc. M. Češky. Dále se počítá s úzkou spoluprací se skupinou Prof. N. Jansena (řešitel ERC Starting grantu), Bochum Univeristy, Něměcko, Prof. D. Parkera, Oxford University, UK a prof. S. Jungese Radboud University Nijmegen, Nizozemí.
V případě zodpovědného přístupu a kvalitních výsledků je zde možnost zapojení do grantových projektů (např. české projekty GAČR či evropské projekty Horizone Europe)
Školitel: Češka Milan, doc. RNDr., Ph.D.
Mnoho technických problémů je popsáno parciálními diferenciálními rovnicemi. Tyto rovnice je velmi obtížné řešit analyticky a existuje mnoho přístupů, které umožňují numerickou aproximaci řešení. Cílem této dizertační práce je studovat stávající přístupy k numerickému řešení parciálních diferenciálních rovnic a vyvíjet nové postupy jejich řešení. Student se bude převážně soustředit na řešení soustav v časové oblasti a seznámí se se širokou škálou metod používaných pro numerické řešení diferenciálních rovnic.
Vyvoj „živého“ stroje
Biologicky inspirované rekurentní architektury: Integrace zpětné vazby z vyšších stpňů zpracování pro adaptivní extraxci informace v nestacionárních prostředích
Problém
Na rozdíl od biologických systémů, které se i nadále učí a přizpůsobují během procesu vyvozování, standardní modely ML nemohou samy korigovat nebo rekonfigurovat své interní toky zpracování, když čelí novým nebo posouvajícím se distribucím dat. Tento nedostatek dynamické inference vede ke katastrofálnímu selhání v měnících se prostředích.
Cíle výzkumu
Cílem tohoto výzkumu je posunout se za „mrtvé“ dopředné architektury implementací tří klíčových biologických principů:
Očekávaný příspěvek
Cílem tohoto výzkumu je poskytnout plán pro novou třídu samoopravné umělé inteligence. Napodobením „dynamické a živé“ povahy biologických percepčních systémů můžeme vytvořit AI, která nejen „předpovídá“, ale aktivně „vnímá“ a upravuje své strategie v reálném čase – v podstatě přeměňuje závěry ze statického snímku na nepřetržitý, adaptivní proces.
Školitel: Heřmanský Hynek, prof. Ing., Dr. Eng.
Cílem disertační práce je výzkum v oblasti tzv. generativní umělé inteligence - ať už se jedná o difusní a adversiální modely pro generování videa, generativní textové modely pro vytváření příběhů, automatické generování počítačového kódu, hudby, reprezentaci znalostí fyziky a chemie a podporu vědecké kreativity, případně kombinace všech těchto přístupů. Práce se zaměří na řešení problémů interakce člověka s generovanými mezivýsledky, přirozeného označování jednotlivých částí a konceptů tak, aby bylo možné na průběžné výsledky navazovat, a na vývoj metod úpravy datových sad a postupů učení, aby bylo možné řešit společenské problémy, spojené s vytvářenými kreativními modely - otázky spravedlivosti modelů, předpojatosti a začlenění konceptů tzv. zodpovědné umělé inteligence.
Tématem jsou algoritmy zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat a do hloubky analyzovat příslušné algoritmy a hledat nové tak, aby měly nové potřebné vlastnosti, a bylo možné je efektivně implementovat. Taková efektivní implementace může , ale nemusí být součástí práce, ale důležité je algoritmy připravit tak, aby šly efektivně zpracovávat například v CPU, v GPU, v AI akcelerátorech, v embedded systémech, ale i v kombinaci s FPGA, v systémech s extrémně nízkým příkonem, případně v jiném prostředí. Je možné i využití algoritmů umělé inteligence, včetně neuronových sítí, zejména CNN, ale i LLM/VLM. Důležité jsou též aplikační možnosti algoritmů s tím, že samotná aplikace může, ale nemusí být součástí řešení. Možné algoritmy/aplikace zahrnují:
Po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale patří do dané tématiky.
Je možnost spolupráce i na grantových projektech, zejména na nově podávaných TAČR, MPO, H2020, SCSEL (předpoklad pracovního poměru).
Téma je zaměřeno na rozpoznávání řeči a zpracování dat pro komunikaci mezi řídícím letového provozu a pilotem v letectví. Bude zahrnovat všechny komponenty automatického rozpoznávání řeči (ASR), tj. zpracování dat, akustický model, slovní zásobu (včetně speciální letecké terminologie), jazykový model a interakci se zdroji metadat (radarové informace, letiště). Zvláštní pozornost bude věnována použití rozsáhlých předtrénovaných modelů, přepínání jazyků (code-switching), spolehlivé identifikaci jazyka z krátkých segmentů a adaptaci na podmínky daného letiště s využitím veřejných dat.
Současná umělá inteligence trpí „tichým selháním“. Když model narazí na data mimo svou trénovací distribuci, stále poskytuje výstup – často s vysokou nadměrnou spolehlivostí –, protože postrádá biologický modul autoevaluace. Nemůže „cítit“ svůj vlastní zmatek. Biologické systémy přežívají, protože vyhodnocují kvalitu extrahovaných informací během aktu vnímání, což jim umožňuje okamžitě měnit strategie.
Zaměření výzkumu:
Vývoj nezávislého modulu sebehodnocení (SEM), který je implementovan ve standardních vrstvách zpracování. Mezi jeho primární funkce patří:
• Confidence Synthesis: Posun od jednoduché „Softmax“ pravděpodobnosti k vícefaktorovým metrikám spolehlivosti (např. analýza entropie, chyba rekonstrukce nebo stabilita latentního prostoru).
• Spouštěč „Překvapení“: Detekce, když nová data odporují interním modelům světa (detekce novinek), aby se během jediného průchodu vpřed spustila „fáze adaptace“
• Efferent Control Gating: Použití skóre hodnocení k odesílání signálů shora dolů, které „brání“ (zapnout/vypnout) specifické neurony nižší úrovně, čímž efektivně překonfigurují archtekturu modelu v reálném čase.
Klíčové výzkumné otázky •
Dopad
Zdokonalením modulu sebehodnocení se posouváme směrem k umělé inteligenci, která ví, kdy neví. To je zásadní pro aplikace kritické z hlediska bezpečnosti, jako je autonomní řízení nebo lékařská diagnostika, kde je schopnost stroje upozornit na vlastní nejistotu stejně důležitá jako samotná předpověď.
Cílem této práce je zkoumat kognitivní zátěž a míru stresu, kterým jsou pracovníci vystaveni při přímé spolupráci s robotickými systémy. Výzkum využívá technologie mixované reality (MR) a digitální dvojčata k hloubkové analýze faktorů ovlivňujících lidskou psychiku v automatizovaném prostředí. Hlavním úkolem je identifikovat příčiny stresu v různých průmyslových scénářích a navrhnout metody, jak těmto negativním vlivům předcházet nebo je zmírňovat prostřednictvím adaptivního rozhraní.
Práce propojuje testování na reálných robotických pracovištích s jejich digitálními replikami, což umožňuje bezpečné simulování a optimalizaci kritických situací. Ke kvantifikaci zátěže budou využity biometrické signály (např. srdeční tep, sledování pohledu, mozková či svalová aktivita apod.), které poslouží jako zpětná vazba pro dynamickou úpravu prostředí v MR. Využití prvků rozšířené reality pro navigaci a diminished reality pro odfiltrování rušivých vlivů umožní vytvořit pracovní prostor, který se v reálném čase přizpůsobuje aktuálním potřebám a kapacitě operátora.
Přínos výzkumu spočívá v definování standardů pro ergonomickou a bezpečnou interakci člověka s robotem v duchu Industry 5.0. Výsledky práce poskytnou průmyslu postupy, jak nasazovat pokročilé technologie tak, aby zvyšovaly efektivitu výroby, ale zároveň chránily duševní zdraví a dlouhodobou pohodu zaměstnanců. Tento přístup je klíčový pro budoucí integraci komplexní robotiky do běžných pracovních procesů bez rizika kognitivního přetížení.
Školitel: Beran Vítězslav, doc. Ing., Ph.D.
Budeme vyvíjet techniky pro string constraint solving, tj. automatické usuzování v logikách nad řetězci, s aplikacemi ve verifikaci, testování a bezpečnosti. String solving v posledních letech výrazně pokročil a umožňuje přesnou analýzu manipulace s řetězci v reálných systémech.
Student se bude podílet na vývoji jádra této technologie se zaměřením na škálovatelnost a expresivitu, zejména v rámci SMT-solvingu. To zahrnuje automatové přístupy, kombinování teorií (např. řetězce, celá čísla, pole) a podporu pokročilých operací nad řetězci, jako jsou nahrazování, konkatenace či převody mezi řetězci a čísly.
Důležitou součástí práce bude aplikace string solvingu v oblastech, jako je bezpečnostní analýza webových aplikací, analýza přístupových politik či testování bezpečnostně kritických systémů. Tyto úlohy vyžadují přesné modelování vztahů mezi řetězci, které klasické testování ani statická analýza nedokážou efektivně pokrýt.
Student se bude rovněž podílet na společném projektu se společností Embraer, zaměřeném na využití SMT solvingu, string solvingu a příbuzných technik v průmyslové praxi. Součástí bude vývoj pokročilých metod testování, statické analýzy a verifikace reálných systémů, s možným důrazem na implementační a inženýrskou stránku.
Výzkum bude probíhat ve skupině VeriFIT (L. Holík, O. Lengál, A. Rogalewicz, M. Češka, T. Vojnar), která dosahuje špičkové mezinárodní úrovně, má silné průmyslové vazby a zkušenosti s vývojem pokročilých verifikačních nástrojů. Doktorandi mají výborné uplatnění v akademické i průmyslové sféře.
Práce začne seznámením se základy problematiky detekce hlasových podvrhů (voice deepfake detection, DFD), terminologií, dostupnými technikami, daty a evaluacemi (AVSpoof, WildSpoof), s historií a SotA v oblasti technik a nástrojů pro rozpoznávání mluvčích (wespeaker toolkit), se SotA v oblasti technik a nástrojů pro personalizovanou syntézu textu na řeč (pTTS) a převod hlasu. Téma se pak zaměří na vyhodnocení výkonu člověka a stroje v DFD, přičemž se soustředí na aspekt motivace lidských subjektů k simulaci skutečných útoků na lidi. Doktorand pak bude postupovat jak v (1) technickém směru (pokrok v technologii generování a detekce deepfake), tak (2) lidském aspektu. Práce počítá se spoluprací s odborníky z oblasti psychologie a sociologie.
Cílem disertační práce je výzkum modelů vestavěné inteligence, která explicitně pracuje s energetickou náročností konkrétních operací a optimalizuje svoji činnost na základě konkrétních omezení na straně jednotlivých zařízení, případně celého systému. Součástí bude i realizace vybraných modelů na vhodném typu hardware, který bude možné využít v mezinárodních projektech, na jejichž řešení se vedoucí podílí.
Projekt se zabývá geo-lokalizací obrazu a videa v neznámém prostředí pomocí metod počítačového vidění a počítačové grafiky. Hlavním cílem je výzkum a návrh nových metod registrace obrazu s geo-lokalizovanou obrazovou databází nebo s 3D modelem terénu. Cílem je též implementace navržených metod na mobilních zařízeních a hledání jejich dalších aplikací např. v oblastech zpracování obrazu, výpočetní fotografie a rozšířené reality.
Školitel: Čadík Martin, prof. Ing., Ph.D.
Hoci veľké jazykové modely (LLM) dosahujú skvelé výsledky ich správaniu stále dostatočne nerozumieme. Malé zmeny vo vstupoch a inštrukciách dokážu výrazne zmeniť správanie týchto modelov, a modely často zlyhávajú v úlohách, ktoré sa oproti tým ktoré boli použité na trénovanie odlišujú iba veľmi málo. Zároveň je v mnohých prípadoch veľmi jednoduché prinútiť veľké jazykové modely vygenerovať sebavedomo podané nepravdivé alebo zavádzajúce informácie. Keďže veľké jazykové modely čoraz viac sprostredkúvajú prístup k informáciám a používa ich široká škála používateľov výzvou je vyvinúť rigorózne metódy na hodnotenie ich skutočných schopností a identifikáciu zdrojov ich zraniteľností.
Cieľom je vybudovať hlbšie a spoľahlivejšie porozumenie správaniu veľkých jazykových modelov. Prvý možný výskumný smer zahŕňa návrh benchmarku, ktorý dokáže merať pokročilé schopnosti (ako napr. uvažovanie, plánovanie, porozumenie, matematické alebo multilingválne schopnosti) a zároveň bežné zlyhania a zraniteľnosti (vrátane halucinácií, krehkosti správania, či tendencie alebo ľahkosti generovania problematického obsahu, napr. dezinformácií). Dôraz bude na odolnosť benchmarku voči súčasným problémom s kontamináciou dát a na minimalizáciu zdrojov potrebných na jeho spustenie. Druhý možný výskumný smer využíva mechanistickú interpretovateľnosť na štúdium vnútorných štruktúr, ktoré riadia správanie veľkých jazykových modelov. Tieto nástroje budú použité na skúmanie toho, prečo určité zraniteľnosti vznikajú, ako vznikajú schopnosti modelu a či možno cielenými zásahmi znížiť zlyhania pri zachovaní kľúčových funkčných vlastností modelu.
Integráciou robustného behaviorálneho benchmarkingu a mechanistických poznatkov sa snažíme poskytnúť principiálnejšie porozumenie ako LLM fungujú a ako môžu byť bezpečnejšie a spoľahlivejšie v rôznych doménach ako napr. multilingválne porozumenie, detekcia dezinformácií či simuláciu používateľov pomocou veľkých jazykových modelov.
Súvisiace publikácie:
Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.
Školitel: Bieliková Mária, prof. Ing., Ph.D.
Přechod infrastruktury rezidenčních a koncových sítí na vícegigabitové tarify pro koncové zákazníky zneplatnil mnoho předpokladů, na nichž je založen subsystém pro zajištění kvality síťového provozu v rámci jádra systému Linux. Tradiční algoritmy, např. Hierarchical Token Bucket, trpí výrazným snížením výkonu při rychlostech několika gigabitů kvůli nutnosti využívat globální zámky a porušování lokality cache.
Tato disertační práce se zaměřuje na optimalizaci a návrh nových algoritmů a architektury pro splnění parametrů síťového tarifu i v jeho hierarchickém uspořádání. Práce si klade za cíl prozkoumat nové mechanismy a bezzámkové algoritmy s distribuovanou správou stavu na úrovni jednotlivých procesorů. Výzkum bude zkoumat kompromisy mezi flexibilitou a efektivitou linuxového jádra tak, aby navrhované algoritmy dokázaly splnit potřebné parametry i v rámci několika gigabitových rychlostí a zajistit zároveň potřebnou úroveň kvality služby.
Vysvětlitelná umělá inteligence (XAI) se zaměřuje na posílení důvěry, srozumitelnosti a použitelnosti složitých modelů. Mezi klíčové oblasti patří vytváření vysvětlení zaměřených na člověka, stanovení objektivních hodnotících metrik a nalezení rovnováhy mezi přesností a srozumitelností. V poslední době se výzkum přesunul směrem k interaktivním vysvětlením, k hodnocení toho, jak modely umělé inteligence zpracovávají data a jak se vypořádávají se zaujatostí, k transparentnímu sdělování nejistoty výsledků a k hodnocení kvality generovaných vysvětlení.
Disertační práce se bude zabývat aspekty zaměřenými na člověka a kognitivní aspekty, sladění vysvětlení AI s lidskou psychologií a kognitivními schopnostmi, zdůraznění rozdílů mezi vysvětleními mezi lidmi a mezi AI a člověkem, vývojem interaktivních vysvětlení založených na dialogu, která uživatelům umožní klást otázky typu „co by, kdyby“ a zkoumat chování modelů v těchto případech, a objektivní měření kvality, srozumitelnosti a účinnosti vysvětlení pro uživatele. Počáteční oblast použití bude odpovídat ověřování faktů v kontextu boje proti dezinformacím.
Vývoj v oblasti kvantových počítačů jde nezadržitelně kupředu. Pro efektivní využití kvantového hardware je však potřeba mít správnou podporu na úrovni software, tj. kvantových algoritmů pro řešení problémů, ale i nástrojů pro kompilaci, optimalizaci a syntézu kvantových programů, jejich mapování na konkrétní kvantovou technologii, jejich mapování na protokol pro zajištění ochrany vůči chybám, analýzu, simulaci a ladění kvantových programů, atd.
Předmětem dizertační práce bude primárně rozvoj současného poznání v oblasti použití formálních metod pro podporu vývoje kvantových programů. Hlavní zaměření zde bude na využití teorie automatů, automatického usuzování a rozhodovacích diagramů. V souvislosti s tím pak budou rozvíjeny i metody efektivní práce s rozhodovacími diagramy a různými typy automatů (automaty nad slovy, stromy, nekonečnými slovy, automaty s čítači, registry apod.). Práce zahrne jak teoretický výzkum, tak také prototypovou implementaci navržených technik a jejich experimentální vyhodnocení.
Práce bude řešena ve spolupráci s týmem VeriFIT zabývajícím se na FIT VUT rozvojem technik pro práci s logikami a automaty a jejich aplikacemi. Je zde rovněž možnost úzké spolupráce s různými zahraničními partnery VeriFIT: Academia Sinica, Taiwan (prof. Y. Chen); Uppsala University, Švédsko (prof. P.A. Abdulla, prof. R. S. Thinniyam); či Leiden Institute for Advanced Computer Science, Leiden, Nizozemsko (prof. A. Laarman).