< Terug naar vorige pagina

Project

Verklaarbare Fysica-geleide Deep Learning voor het bepalen van de Luchtvervuiling (FWOSB105)

Luchtvervuiling is een wereldwijd probleem geworden vanwege de negatieve impact op de gezondheid en het welzijn van de bevolking. Om de effecten ervan te beperken, is het essentieel om de evolutie van de concentraties van verontreinigende stoffen nauwkeurig te monitoren, zowel per regio als in de tijd. Traditionele oplossingen zijn voornamelijk fysica-gestuurd, en maken gebruik van wiskundige vergelijkingen om de deeltjesbeweging van de vervuilende stoffen te voorspellen. Ondanks dat deze methodes betrouwbaar en gemakkelijk te interpreteren zijn, zijn ze rekenkundig zeer duur. Recent onderzoek heeft aangetoond dat een diepgaande datagestuurde aanpak de rekenkosten aanzienlijk vermindert en zorgt voor nauwkeurige voorspellingen, echter gaat dit ten koste van de interpreteerbaarheid van de gebruikte technieken. Dit onderzoek heeft als doel innovatieve oplossingen voor het monitoren van de luchtvervuiling te ontwikkelen met een hoge nauwkeurigheid, interpreteerbaarheid en beheersbare complexiteit. Hiertoe ligt de nadruk op de ontwikkeling van multi-modale deep-learning modellen die zich baseren op fysische vergelijkingen en data uit meerdere modaliteiten kunnen benutten. Het onderzoek zal nieuwe state-ofthe-art modellen produceren voor het monitoren van de luchtvervuiling die ook bruikbaar zijn voor het modelleren van andere natuurlijke processen zoals weersvoorspelling, watermonitoring, en toepassingen op het internet zoals aanbevelingssystemen of fake news analyse.
Datum:1 nov 2020 →  Heden
Trefwoorden:Door fysica geleid diep leren, Inferentie van luchtverontreiniging, Uitlegbaarheid
Disciplines:Atmosferische fysica, Mathematische software, Modellering en simulatie, Numercial computation, Scientific computing niet elders geclassificeerd