Disputation inom Datateknik, M.Sc. Katsiaryna Haitsiukevich

Avhandlingens titel: Advances in physics-informed deep learning

Doktorand: Katsiaryna Haitsiukevich
Opponent: Tenure Track Assistant Professor Olga Fink, The École polytechnique fédérale de Lausanne (EPFL)
Kustos: Associate Professor Pekka Marttinen, Aalto-universitetets högskola för teknikvetenskaper 

Att träffsäkert modellera fysiska system spelar en avgörande roll för framsteg inom ingenjörskonst och vetenskap. Tillförlitliga modeller hjälper till att optimera tillverkningsprocesser och fördjupar vår förståelse för komplexa fenomen. Fysiska system – som industriella processer eller kemiska reaktioner – beskrivs traditionellt med matematiska ekvationer grundade på fysikens lagar. Trots att traditionella modeller är kraftfulla kan de vara långsamma och bygga på överförenklade antaganden. Samtidigt erbjuder maskininlärning – i synnerhet djupinlärning – ett datadrivet alternativ. Dessa metoder kräver dock ofta stora datamängder, vilket kan vara både svårt och kostsamt att samla in.

I denna avhandling kombineras traditionella modeller med moderna maskininlärningsmetoder. Genom att integrera befintlig fysisk kunskap i maskininlärning utvecklas metoder som förenar styrkorna hos traditionella modeller med den flexibilitet som maskininlärning erbjuder. Detta möjliggör utvecklingen av träffsäkra och effektiva hybridmodeller som kan användas i verkliga scenarier med begränsad tillgång på data. Resultaten visar att hybrida metoder kan modellera industriella system på ett effektivt sätt, även när tillgången på mätdata är begränsad, och därmed bana väg för nya innovationer.

Avhandlingen är offentligt tillgänglig i elektronisk form 10 dagar före disputationen: Aaltodoc