MARC

 008260203s2023        us                              c    eng  d
■001000017365980
■00520260209102907
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263396695
■035    ▼a(MiAaPQ)AAI32315753
■035    ▼a(MiAaPQ)GeorgiaTech76742
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a790
■1001  ▼aZandehshahvar,  Mohammadreza.
■24510▼aMachine  Learning  for  Knowledge  Discovery  in  Engineering  and  Science:  From  Nanophotonic  Design  to  Medical  Diagnosis
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Adibi,  Ali.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aArtificial  Intelligence  (AI),  particularly  Machine  Learning  (ML)  and  Deep  Learning  (DL)  tools,  has  made  a  transformative  impact  on  various  aspects  of  our  lives.  Their  power  to  handle  high-dimensional  data  has  enabled  them  to  solve  problems  across  multiple  scientific  and  engineering  disciplines,  from  engineering  new  materials  and  designing  novel  nanostructures  and  sensors  to  analyzing  unprecedented  medical  data.  Despite  these  advancements,  significant  challenges  remain  in  maximizing  the  capabilities  of  ML  algorithms  for  specific  scientific  or  engineering  problems.A  prevalent  concern  is  that  the  ML  algorithms,  primarily  designed  for  other  tasks  like  image  processing  or  pattern  recognition,  are  often  used  directly  in  most  studies  without  any  significant  tailoring  to  the  problem  of  interest.  Another  under-explored  aspect  is  knowledge  discovery  using  ML  to  understand  new  phenomena  in  science  and  engineering  by  studying  the  influence  of  different  parameters  on  a  given  outcome.This  research  aims  to  systematically  address  these  concerns  by  proposing  a  universal  approach  that  can  be  tailored  and  optimally  adjusted  to  solve  specific  problems  in  different  fields.  This  approach  spans  diverse  problems,  from  the  inverse  design  of  nanostructures  and  nanosensors  to  diagnosis  of  lung  diseas  in  radiology.Two  high-impact  applications  are  specifically  selected  to  demonstrate  the  adaptability  and  efficacy  of  the  proposed  ML  solutions:  1)  optimization  and  knowledge  discovery  of  photonic  nanostructures,  and  2)  diagnosis  and  prognosis  of  of  COVID-19  pneumonia  from  Chest  X-ray  (CXR).n  the  field  of  nanophotonics,  the  research  introduced  a  novel  approach  based  on  Dimensionality  Reduction  (DR)  of  the  design  and  response  space,  resulting  in  a  considerable  reduction  in  computational  costs  and  enabling  more  efficient  inverse  design  processes.  The  study  of  manifold  learning  and  DR  techniques  for  examining  the  feasibility  range  of  responses  in  a  class  of  nanostructures  marks  a  significant  breakthrough  in  the  field.  Additionally,  a  method  for  defining  physics-friendly  similarity  measures  tailored  for  nanophotonic  design  is  developed  based  on  deep  metric  learning.In  radiology,  significant  strides  are  made  in  the  ML-assisted  diagnosis,  focusing  on  labeling  variability  in  CXRs,  disease  severity  assessment,  and  the  interpretability  of  DL  models.  A  user-friendly  online  labeling  tool  is  developed  to  gather  data,  study  variability  in  labeling,  and  integrated  human  and  machine  assessments.  A  novel  method  using  Bayesian  Neural  Networks  (BNNs)  is  proposed  for  disease  severity  assessment.  To  enhance  trust  in  AI,  a  unique  visualization  approach  using  a  pruning  method  is  also  introduced.The  dichotomy  between  these  two  applications  underscores  the  adaptability  and  efficacy  of  the  proposed  ML  tools  in  addressing  significant  challenges  in  different  science  and  engineering  fields.  This  research  demonstrates  the  potential  of  tailored  ML  solutions  in  diverse  domains,  further  proving  their  immense  potential  in  resolving  major  challenges  across  a  wide  range  of  disciplines.
■590    ▼aSchool  code:  0078.
■650  4▼aDesign  optimization
■650  4▼aPneumonia
■650  4▼aKnowledge  discovery
■650  4▼aNeural  networks
■650  4▼aLabeling
■650  4▼aSupport  vector  machines
■650  4▼aCrystallization
■650  4▼aThin  films
■650  4▼aDisease  transmission
■650  4▼aCOVID-19
■650  4▼aComputer  science
■650  4▼aCondensed  matter  physics
■650  4▼aMaterials  science
■690    ▼a0800
■690    ▼a0984
■690    ▼a0611
■690    ▼a0794
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365980▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books