< Terug naar vorige pagina

Project

Data-efficiënt machinaal leren voor ingenieurstoepassingen

Het doel van dit onderzoek is de ontwikkeling van nieuwe technieken in surrogaatmodellering. Surrogaatmodellen zijn snelle benaderende modellen voor anders complexe en tijdrovende nauwkeurige computersimulaties. Ze kunnen worden gebruikt in diverse ingenieurstoepassingen (elektronica, mechanica, enz.) voor optimalisatie, verkenning van de ontwerpruimte, sensitiviteitsanalyse, enz., waar de berekening van extra computersimulaties te duur zou zijn.

De constructie van surrogaatmodellen vereist het gebruik van technieken van machinaal leren op het resultaat van computersimulaties. Data-efficiëntie is essentieel om de maximale hoeveelheid nuttige informatie uit de kleinst mogelijke set gegevenspunten te halen, omdat elk nieuw gegevenspunt een bijkomende dure nauwkeurige simulatie vereist.

Datum:1 okt 2020 →  Heden
Trefwoorden:surrogaatmodellen, simulaties, machinaal leren, ingenieurstoepassingen, data-efficiëntie
Disciplines:High performance computing, Numercial computation, Modellering en simulatie