Μέθοδοι αριθμητικής ανάλυσης και μηχανικής μάθησης που εκπαιδεύονται με νόμους της φυσικής για την μοντελοποίηση και ανάλυση περίπλοκων συστημάτων μεγάλης κλίμακας με εφαρμογές στις υπολογιστικές νευροεπιστήμες

Περίληψη

Αυτή η διατριβή ασχολείται με την ανάπτυξη και εφαρμογή μεθόδων αριθμητικής ανάλυσης και μηχανικής μάθησης βασισμένες στους νόμους της φυσικής για την επίλυση τόσο του αντιστρόφου όσο και του ευθέως προβλήματος στη μοντελοποίηση περίπλοκων συστημάτων και της αριθμητικής ανάλυσης διακλάδωσης της αναδυόμενης δυναμικής από δεδομένα μεγάλης κλίμακας. Η μοντελοποίηση και ανάλυση της αναδυόμενης συμπεριφοράς περίπλοκων συστημάτων μεγάλης κλίμακας από πειραματικά δεδομένα ή/και δεδομένα που παράγονται από μικροσκοπικούς προσομοιωτές απαιτεί κατάλληλες μεθόδους βασισμένες στην αριθμητική ανάλυση και την ανάλυση δεδομένων για την εξαγωγή μοντέλων μακροσκοπικής κλίμακας που μπορούν να χρησιμοποιηθούν για περαιτέρω αριθμητική ανάλυση της αναδυόμενης δυναμικής. Τα αποτελέσματα αυτής της διατριβής είναι διεπιστημονικά, γεφυρώνουν μεθοδολογίες αιχμής από την αριθμητική ανάλυση, την μηχανική μάθηση, τις μικροσκοπικές προσομοιώσεις, την θεωρία διακλάδωσης και την νευροαπεικόνιση. Οι ερευνητικές προσπά ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Τhis Ph.D. Thesis deals with the development and implementation of physics-informed numerical analysis and machine learning methods for the solution of both the inverse and forward problem in complex systems modeling including the numerical bifurcation analysis of the emergent dynamics from big data. Modeling and analyzing the emergent behavior of large-scale complex dynamical systems from experimental data and/or data produced by detailed high-fidelity microscopic simulations requires appropriate data-driven/numerical analysis-based methods for extracting coarse-scale models that can be utilized for further numerical analysis of the emergent dynamics. The springs of this Thesis are interdisciplinary, bridging state-of-the-art methodologies from numerical analysis, machine learning, microscopic simulations, bifurcation theory, and neuroimaging. The research efforts and results were focused in three main directions. We have first focused on the solution of the inverse problem of source- ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/55817
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/55817
ND
55817
Εναλλακτικός τίτλος
Physics-informed numerical analysis and machine learning for modelling and analysis of large scale complex systems with applications in computational neuroscience
Συγγραφέας
Γαλάρης, Ευάγγελος (Πατρώνυμο: Δημήτριος)
Ημερομηνία
2022
Ίδρυμα
Università degli Studi di Napoli Federico II
Εξεταστική επιτροπή
Longobardi Patrizia
Polese Giuseppe
Pasetto Damiano
Siettos Constantinos
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΜαθηματικά ➨ Εφαρμοσμένα μαθηματικά
Φυσικές ΕπιστήμεςΜαθηματικά ➨ Στατιστική και Πιθανότητες
Λέξεις-κλειδιά
Μηχανική μάθηση; Αριθμητική ανάλυση; Υπολογιστικές νευροεπιστήμες; Περίπλοκα συστήματα
Χώρα
Ιταλία
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)