IN-DEEP, MSCA Doctoral Network proiektu berria, doktoregoko ikasleak Deep Learning tekniketan prestatzeko
David Pardo (UPV/EHU) ikertzaileak koordinatzen du proiektua, eta Judit Muñoz Matute doktoratu ondoko ikertzaileak zuzentzen du BCAMen koordinazioa
Helburua da prestakuntza eta ikerketa sustatzea ikaskuntza sakoneko teknologia berrietan, alderantzizko arazoetarako
IN-DEEP proiektuak (Real-time inversión ion using self-explainable deep learning driven by expert knowledge), edo gaztelaniazko itzulpenean, Inversión en tiempo real mediante aprendizaje profundo autoexplicativo dirigido por conocimiento experto-k, MSCA Doctoral Network (DN) beka oso lehiakorra lortu du. Proiektuak 2,3 milioi euroko zuzkidura du kualifikazio handiko doktoregaiak prestatu eta gainbegiratu ahal izateko, Europar Batasuneko hainbat ikerketa-arlotako eta sektoretako unibertsitateen eta enpresen partzuergoaren bidez.
BCAMeko koordinatzaile Judit Muñoz Matuterentzat, “proiektuan BCAMeko ikertzaile nagusi gisa, aukera paregabea (eta erronka) da nire lehen doktorego-ikasleak zuzentzeko eta, horrela, senior ikertzaile independente gisa karrera sendo bat lantzeko”, dio Mathematical Design, Modellig and Simulation ikerketa-lerroko doktoratu ondoko ikertzaileak BCAMen.
IN-DEEP proiektuaren helburu nagusia bederatzi doktoregairi goi-mailako prestakuntza ematea da, ikaskuntza sakoneko algoritmo esplikagarriak (Deep Learning) diseinatu, ezarri eta erabiltzeko. Algoritmo horiek ezagutzan oinarritzen dira, Ekuazio Partzialek (Partial Differential Equations, PDE) gobernatutako alderantzizko arazoak azkar eta zehatz ebazteko.
Ikerketa-arlo horrek hazkundea izan du mundu osoan azken hamarkadetan. Aplikazio askotan izandako emaitza oparoek eragin dute hori. Proiektuak geofisikarekin, hiri adimendunekin eta osasunarekin lotutako aplikazioen ondoriozko arrisku handiko benetako arazoak izango ditu ardatz. IN-DEEPek funtsezko ikerketa garatuko du unibertsitateetan eta ikerketa-institutuetan, eta ikerketa hori baliozkotu eta aplikatuko da zentro teknologikoetan eta enpresetan benetan erabiltzen diren kasuetan. “IN-DEEPek gure gizartearentzat funtsezkoak diren alderantzizko arazoetarako DL tekniketan ikertzaile moderno bihurtuko diren doktoregaiak prestatzeko aukera emango digu, profil oso batekin eta karrera-perspektiba egokiekin bai sektore akademikoan bai ez-akademikoan”, gehitu du Judit Muñoz Matute ikertzaileak.
Parametro ezezagunak EDPen bidezko neurketa esperimentalekin lotzen diren alderantzizko arazoek aplikazio asko hartzen dituzte: giza gorputzaren irudi medikoak edo minbiziaren hazkundearen ebaluazioa, azpiegitura zibilen segurtasuna (zubiak eta eraikinak, esaterako) eta aplikazio geofisiko ekologikoak, hala nola hidrogenoaren eta CO2aren lurpeko biltegiratzea edo energia geotermikoaren ekoizpena.
Proiektu hau ere erronka bat da; izan ere, aplikazio askotan emaitza oparoak izan arren, EDPentzako DLak muga zorrotzak ditu gaur egun. “Problematikoena oinarri teoriko sendorik eta esplikagarritasunik eza da, eta horrek erabiltzaile potentzialei arrisku handiko aplikazioetan sartzea eragozten die. Horregatik, aukera bat da proiektuaren partzuergoarentzat ezagutzaren mugan emaitzak sortzea, abangoardiako teknologiak garatuz diziplina anitzeko eta sektore arteko ikuspegi batetik “, ondorioztatu du Muñoz Matutek, BCAMen proiektuaren koordinatzaile nagusiak.
Proiektuaren partzuergoa Europako 7 unibertsitate eta ikerketa-zentrok osatzen dute: Euskal Herriko Unibertsitatea (Espainia) erakunde koordinatzaileak, Nottinghameko Unibertsitateak (Erresuma Batua), Paviako Unibertsitateak (Italia), Torinoko Politeknikoak (Italia), Arte eta Lanbideen Goi Mailako Eskolak (Frantzia), AGH Unibertsitateak (Polonia) eta Matematika Aplikatuen Euskal Zentroak (BCAM).
