Perkoláló klaszterek osztályozása deep learning segítségével
A machine learning (ML) algoritmusok fejlesztésében és felhasználásában nagymértékű fellendülés figyelhető meg az elmúlt évtizedekben köszönhetően a növekvő számítógépes kapacitásnak, ami a folyamatos hardware fejlesztésben realizálódik, és a rohamosan gyarapodó mennyiségű elérhető adatnak. A négy legfontosabb problémakör, ami ML segítségével megoldható a következő: előrejelzés, osztályozás, csoportosítás, és dimenzió redukció. A számos elérhető machine learning algoritmus közül a mesterséges neurális hálók (artificial neural networks) az egyik legelterjedtebbek, ami a széles felhasználhatóságuknak köszönhető. A következőkben egy egyszeresen összetett neurális hálóval (egy rejtett réteget tartalmazó háló) végzünk osztályozást perkoláló klasztereken. A perkolációelmélet és a perkolációs modellek problémák széles körére jelentenek megoldást, leírási módot, mint például a fractal diffusion, a félvezetők vezetőképességének vizsgálata, tömítések szivárgásvizsgálata vagy folyadék átszivárgás vizsgálata porózus közegeken. Ezért a neurális hálók perkoláló klaszterek minél pontosabb azonosítására való tanítása előnyös lenne számos kutatási területen. Ennek elérése érdekében, az egyszeresen összetett neurális háló további rejtett rétegekkel való bővítését és a hiperparaméterek hangolását végezzük el. Végül a különböző hálók osztályozási pontossága kerül összevetésre.
szerző
-
Kustány Kálmán
Gépészeti modellezés mesterképzési szak
mesterképzés (MA/MSc)
konzulens
-
Dr. Kalmár-Nagy Tamás
Docens, Áramlástan Tanszék