MARC

 008250123s2024        us                              c    eng  d
■001000017164966
■00520250211153108
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346392620
■035    ▼a(MiAaPQ)AAI31682051
■035    ▼a(MiAaPQ)Purdue26815507
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a515.35
■1001  ▼aNasim,  Md.
■24510▼aAccelerating  Ai-Driven  Scientific  Discovery  With  End-To-End  Learning  and  Random  Projection
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Xue,  Yexiang.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aScientific  discovery  of  new  knowledge  from  data  can  enhance  our  understanding  of  the  physical  world  and  lead  to  the  innovation  of  new  technologies.  AI-driven  methods  can  greatly  accelerate  scientific  discovery  and  are  essential  for  analyzing  and  identifying  patterns  in  huge  volumes  of  experimental  data.  However,  current  AI-driven  scientific  discovery  pipeline  suffers  from  several  inefficiencies  including  but  not  limited  to  lack  of  precise  modeling,  lack  of  efficient  learning  methods,  and  lack  of  human-in-the-loop  integrated  frameworksin  the  scientific  discovery  loop.  Such  inefficiencies  increase  resource  requirements  such  as  expensive  computing  infrastructures,  significant  human  expert  efforts  and  subsequently  slows  down  scientific  discovery.In  this  thesis,  I  introduce  a  collection  of  methods  to  address  the  lack  of  precise  modeling,  lack  of  efficient  learning  methods  and  lack  of  human-in-the-loop  integrated  frameworks  in  AI-driven  scientific  discovery  workflow.  These  methods  include  automatic  physics  model  learning  from  partially  annotated  noisy  video  data,  accelerated  partial  differential  equation  (PDE)  physics  model  learning,  and  an  integrated  AI-driven  platform  for  rapid  analysis  of  experimental  video  data.  My  research  has  led  to  the  discovery  of  a  new  size  fluctuation  property  of  material  defectsexposed  to  high  temperature  and  high  irradiation  environments  such  as  inside  nuclear  reactors.  Such  discovery  is  essential  for  designing  strong  materials  that  are  critical  for  energy  applications.To  address  the  lack  of  precise  modeling  of  physics  learning  tasks,  I  developed  NeuraDiff  [1],  an  end-to-end  method  for  learning  phase  field  physics  models  from  noisy  video  data.  In  previous  learning  approaches  involving  multiple  disjoint  steps,  errors  in  one  step  can  propagate  to  another,  thus  affecting  the  accuracy  of  the  learned  physics  models.  Trial-and-error  simulation  methods  for  learning  physics  model  parameters  are  inefficient,  heavily  dependent  on  expert  intuition  and  may  not  yield  reasonably  accurate  physics  models  even  after  many  trial  iterations.  By  encoding  the  physics  model  equations  directly  into  learning,  end-to-end  NeuraDiff  framework  can  provide  ≈  100%  accurate  tracking  of  material  defects  and  yield  correct  physics  model  parameters.
■590    ▼aSchool  code:  0183.
■650  4▼aPartial  differential  equations
■650  4▼aDeep  learning
■650  4▼aDefects
■650  4▼aBack  propagation
■650  4▼aFourier  transforms
■650  4▼aGrain  growth
■650  4▼aHigh  temperature
■650  4▼aNeural  networks
■650  4▼aMicroscopy
■650  4▼aHeat
■650  4▼aCrowdsourcing
■650  4▼aHuman  error
■650  4▼aRadiation
■650  4▼aData  compression
■650  4▼aComputer  science
■650  4▼aHigh  temperature  physics
■650  4▼aMathematics
■650  4▼aThermodynamics
■690    ▼a0800
■690    ▼a0984
■690    ▼a0597
■690    ▼a0405
■690    ▼a0348
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164966▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서