AI als leidraad voor wetenschap & Geometrisch Diep Leren van Oppervlakken

Het NWO-domeinbestuur Wetenschap heeft op 8 maart negentien subsidieaanvragen goedgekeurd in de Open Competitie Domeinwetenschap-M programma, waarvan twee projecten bij EWI. Sebastijan Dumancic gaat onderzoeken hoe Artificiele Intelligentie (AI) wetenschappers kan helpen bij het ontdekken van verklaringen voor natuurverschijnselen. Klaus Hildebrandt gaat werken aan geometrische convolutionele neurale netwerken om te zien hoe deze kunnen helpen bij het oplossen van moeilijke problemen bij oppervlakteanalyse en -verwerking. De M-beurzen van NWO zijn bedoeld voor vernieuwend, hoogwaardig, fundamenteel onderzoek en/of studies met wetenschappelijke urgentie.

Multigrid methoden voor het leren van 3D-data

Het project van Klaus Hildebrandt is geïnspireerd op de succesvolle toepassing van convolutionele neurale netwerken (CNN's) in beeldanalyse, plus de groeiende beschikbaarheid van 3D-data. In de afgelopen jaren hebben onderzoekers CNN's ontwikkeld voor driehoeksmeshes en puntenwolken, die hun potentieel hebben laten zien bij het oplossen van complexe problemen met betrekking tot oppervlakteanalyse en -verwerking. Zijn project wil deze ontwikkeling van nieuwe netwerkstructuren en trainingstechnieken voor geometrisch ‘deep learning’ met behulp van driehoekige mazen en puntenwolken doorzetten, met extra aandacht voor geometrische multigrid methoden en multischaaltraining. Het uiteindelijke doel van het project is om het praktische gebruik van geometrische CNN's in oppervlakteanalyse en -verwerking te verbeteren.

AI als gids voor wetenschappers

Richard Feynman zei ooit: "Wat ik niet kan maken, begrijp ik niet". Deze uitspraak benadrukt het belang om bij het volledig begrijpen van een concept, eerst bij nul te beginnen – en om vanaf daar met fundamentele principes en bouwstenen verder te werken. Wetenschappers en ingenieurs volgen dit principe wanneer zij natuurverschijnselen distilleren tot beknopte wiskundige vergelijkingen en testprototypes bouwen van complexe machines. Dit proces kan echter arbeidsintensief en tijdrovend zijn, waardoor de vraag rijst of automatisering kan helpen.

Dumancic en zijn team willen onderzoeken of het mogelijk is AI te gebruiken om verklaringen te vinden voor de natuurlijke verschijnselen om ons heen. Het doel is een AI-systeem te creëren dat wetenschappers en ingenieurs kan helpen een dieper inzicht te krijgen in complexe systemen door het proces van het afleiden van vergelijkingen en het bouwen van testprototypes te automatiseren. Een dergelijk systeem zou het proces van wetenschappelijke ontdekking en technische innovatie aanzienlijk versnellen