Temos vadovas: dr. Kęstutis Pyragas (kreiptis rekomendacijos)
Naujos kartos rezervuarinė kompiuterija neuroninių tinklų dinamikos prognozavimui
Siūlomos doktorantūros temos tikslas – kurti ir tobulinti modernius mašininio mokymo algoritmus, skirtus sudėtingų neuroninių tinklų makroskopinio elgesio modeliavimui ir prognozavimui. Realūs neuroniniai tinklai yra itin sudėtingos dinaminės sistemos, sudarytos iš milijardų tarpusavyje sąveikaujančių neuronų. Neuromoksluose siekiama suprasti tokių sistemų elgesį makroskopiniu lygmeniu, nes nuo jo priklauso pagrindinės neuroninių tinklų fiziologinės funkcijos, o jų sutrikimai gali lemti neurologines ligas.
Tiesioginis neuroninių tinklų modeliavimas mikroskopiniu lygmeniu susiduria su itin dideliais skaičiavimo iššūkiais. Siekiant apeiti šį sudėtingumą, buvo sukurti fenomenologiniai modeliai, imituojantys didelių neuronų populiacijų elgesį makroskopiniu lygmeniu (vadinamieji makroskopiniai modeliai). Vis dėlto tokie modeliai dažnai pasižymi ribotu tikslumu. Neseniai buvo pasiūlytas metodas, leidžiantis išvesti tikslius makroskopinius modelius tiesiogiai iš mikroskopinių neuronų lygčių, tačiau šis metodas nėra universalus ir taikomas tik labai paprastiems neuronų modeliams.
Šioje doktorantūros temoje siūloma taikyti mašininio mokymo metodus, leidžiančius automatiškai išmokti makroskopinius neuroninių tinklų modelius iš mikroskopinių modelių dinamikos duomenų. Pagrindinis dėmesys bus skiriamas rezervuarine kompiuterija paremtam algoritmui, ypač naujos kartos rezervuarinei kompiuterijai (NGRC), kuriai nereikalingas atskiras rezervuaras. Doktorantūros metu bus tobulinamas NGRC metodas ir taikomas sudėtingų neuroninių tinklų makroskopinių modelių konstravimui ir makroskopinės dinamikos prognozavimui.