POB 4

Celem POB 4 jest rozwijanie szerokiego wachlarza technik matematycznych oraz informatycznych pozwalających opisać, modelować, zrozumieć i sterować procesami zachodzącymi w świecie rzeczywistym. Planowane jest rozwijanie i stosowanie różnorodnych technik i podejść teoretycznych oraz opartych o dane rzeczywiste, a także podejść heurystycznych, wspartych w szczególności metodami sztucznej inteligencji. Takie podejścia wymagają rozwijania warsztatu naukowego w wielu kierunkach i na wielu płaszczyznach. Konieczna jest także zarówno wiedza teoretyczna w zakresie stosowanych narzędzi i najnowszych wyników badań w tym zakresie, jak również ekspercka wiedza praktyczna z zakresu nauk inżynierskich, w których tworzone narzędzia mają znaleźć zastosowanie. Dużą rolę w takich działaniach pełnią matematycy, którzy mają możliwość modyfikacji dostępnych narzędzi teoretycznych, aby były dopasowane do konkretnych zastosowań praktycznych. Nieodzowna jest także ścisła współpraca z przemysłem, bez której nie można zapewnić odpowiednio szerokich zbiorów danych pochodzących z rzeczywistych procesów oraz wykonać żądanej walidacji wyników laboratoryjnych w praktyce. Lukę pomiędzy rozwiązaniami matematycznymi, a ostatecznymi zastosowaniami w przemyśle dopełniają rozwiązania numeryczne oraz kompleksowe systemy informatyczne. Badania w tym obszarze obejmują m.in.

• Modelowanie deterministyczne rozważanych procesów przemysłowych w oparciu o równania różniczkowe (zwyczajne, cząstkowe, z opóźnieniem);
• Modelowanie stochastyczne w celu lepszego opisu i prognozowania danych rzeczywistych (modele predykcyjne, statystyczne modele ewolucji procesów, modele oparte na stochastycznych równaniach różniczkowych, metody Monte Carlo);
• Statystyczną analizę danych, opracowanie nowych miar jakości, budowę nowych narzędzi statystycznych do problemów pochodzących z nauk inżynierskich oraz prognozowanie wspomagające procesy decyzyjne;
• Analizę niepewności (ang. uncertainty analysis) danych – opracowanie probabilistycznych algorytmów analizy danych, które pozwolą na określenie rozkładów prawdopodobieństwa danych pochodzących z pomiarów oraz pewności pracy urządzeń przemysłowych i sprzętu pomiarowego.
• Opracowanie nowych algorytmów numerycznych, w tym analizy możliwości obliczeń równoległych (w szczególności obliczenia na procesorach graficznych oraz architekturach hybrydowych), analizy złożoności obliczeniowej rozpatrywanych zadań, konstrukcji oraz analizy błędów, jak i ew. optymalności algorytmów, by obliczenia były matematycznie ścisłe oraz numerycznie efektywne.
• Metody i usługi efektywnego zarządzania danymi i obliczeniami dużej skali typu AI+HPC w systemach HPC i w heterogenicznych środowiskach chmurowych dla potrzeb systemów inteligentnych, w tym trenowania modeli.
• Rozwój paradygmatów aplikacji inteligentnych wykorzystujących ciągły i autonomiczny proces uczenia się.
• Innowacyjne modelowanie procesów z użyciem synergii metod symulacyjnych z inteligencją obliczeniową dla potrzeb efektywnego i elastycznego badania zjawisk i procesów przy wykorzystaniu wysokiej autonomii doboru algorytmów i realizacji badań symulacyjnych na podstawie inteligentnej agregacji danych z monitorowania.
• Realizację kompleksowych systemów hybrydowych łączących rozwiązania uczenia maszynowego i sztucznej inteligencji w formie tzw. modeli zastępczych (ang. surrogate models) oraz zaawansowanych kosztownych obliczeniowo metod numerycznych.
• Rozwiązywanie trudnych problemów odwrotnych związanych z zagadnieniem identyfikacji parametrów złożonych, wieloskalowych modeli obliczeniowych z wykorzystaniem dedykowanych, hybrydowych metod optymalizacji i metod analizy wrażliwości.
• Rozwój podejścia rozszerzonej inteligencji (ang. augmented intelligence) w przemyśle, gdzie częściej stosuje się metody razem z ludźmi, a nie zamiast nich, co jest raczej typowym zastosowaniem sztucznej inteligencji.
• Konstrukcję i budowę inteligentnych systemów wspomagania podejmowania decyzji.
• Rozwój metod i algorytmów decyzyjnych; wykorzystanie danych niepewnych w podejmowaniu decyzji; analizę jakości danych decyzyjnych oraz sposoby pomiaru ich jakości.
• Agregację danych pochodzących z różnych źródeł; modelowanie informacji preferencyjnej; rozwój modeli algebraicznych i hybrydowych służących do modelowania i przetwarzania informacji preferencyjnej.
• Projektowanie i implementację inteligentnych systemów decyzyjnych na potrzeby przemysłu.
• Inteligencję obliczeniowa, sztuczną inteligencję i uczenie maszynowe w modelowaniu i symulacji systemów oraz tworzeniu systemów inteligentnych.
• Wykorzystanie inteligencji obliczeniowej w przemyśle.