Strojno učenje (Machine Learning – ML) i teorija upravljanja (Control Theory – CT) dvije su međusobno blisko povezane discipline s izrazito atraktivnim istraživačkim problemima. Ovaj projekt ima za cilj potaknuti primjenu alata iz CT-a u ML-u i obratno te istražiti veliki aplikativni potencijal kombiniranjem ova dva brzo razvijajuća područja. Poseban naglasak će biti stavljen na korištenje upravljačko-teorijskih alata za analizu dubokih neuronskih mreža, na izradi algoritama za efikasno rješavanje parametarski ovisnih upravljačkih zadaća, kao i na razvoju učinkovitih i pouzdanih metoda upravljanja temeljenih na podacima.
Prosireni opis projekta
U istraživanju ćemo koristiti klasične i dobro poznate alate (tehnike redukcije reda modela, teoremi univerzalne aproksimacije, širenje unatrag, stohastički gradijentni spust, itd.), ali i nedavno uvedene kao što su: neuronske obične diferencijalne jednadžbe, rezidualne i fizikalno zasnovane neuronske mreže (ResNets, PINNs), te modeliranje smanjenog reda temeljeno na dubokom učenju (DL-ROM). Interdisciplinarni pristup problemima osiguran je sastavom radne grupe koja okuplja istraživače iz različitih područja matematike i računarstva, a istraživanja će se provoditi na teorijskoj, numeričkoj i eksperimentalnoj razini.