Relační posilované učení pro akceleraci vědy
Cíle projektu
Neuronové sítě se stále více používají pro učení ve vědeckých oblastech, jak pro objevování, tak pro technologický pokrok. Nedávno bylo ověřeno, že začlenění strukturálních znalostí je pro takové úkoly kriticky efektivní. Na základě našeho nedávného vývoje technik pro učení neuronových sítí orientovaných na relační data a logické znalosti, máme v úmyslu integrovat bohaté symetrie přítomné v matematické fyzice do učení a rozhodování technologických agentů. Chceme posunout současný stav poznání ve formulování a studiu učících modelů, které zahrnují relační a fyzikální znalosti, vyvinout škálovatelné algoritmy pro jejich strukturní učení za pomoci dostupného speciálního distribuovaného výpočetního hardwaru, s čímž se zaměříme na řadu kritických domén, jako je objevování nových léků a bezpečné posilované učení.
Klíčová slova
relational learningreinforcement learningdeep learningmathematical physicsscientific discovery
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202400001
Hlavní účastníci
České vysoké učení technické v Praze / Fakulta elektrotechnická
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
24-11664S
Alternativní jazyk
Název projektu anglicky
Relational Reinforcement Learning for Science Acceleration
Anotace anglicky
Neural networks are increasingly being used for learning in scientific domains, for both discovery and technological advancement. Recently, incorporating structural background knowledge has been found to be critically effective for such tasks. Building on recent developments in learning techniques for neural networks oriented to relational data and logical knowledge, we intend to integrate the rich symmetries present in mathematical physics into learning and technological agent-based decision making. We will advance the start of the art in formulating and studying learning models that incorporate relational and physical background knowledge, develop scalable algorithms for their structure learning using special distributed computing hardware available, and address a range of critical domains including drug discovery and safe reinforcement learning.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AF - Dokumentace, knihovnictví, práce s informacemi
BC - Teorie a systémy řízení
BD - Teorie informace
IN - Informatika
Termíny řešení
Zahájení řešení
1. 1. 2024
Ukončení řešení
31. 12. 2026
Poslední stav řešení
B - Běžící víceletý projekt
Poslední uvolnění podpory
29. 2. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
21. 2. 2025
Finance
Celkové uznané náklady
8 775 tis. Kč
Výše podpory ze státního rozpočtu
7 932 tis. Kč
Ostatní veřejné zdroje financování
843 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
8 775 tis. Kč
Statní podpora
7 932 tis. Kč
90%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Doba řešení
01. 01. 2024 - 31. 12. 2026