but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) doc. Ing. Martin Čadík, Ph.D. (místopředseda) Ing. Vítězslav Beran, Ph.D. (člen) Ing. Roman Juránek, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Tomáš Milet, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Jak reálné je využití v praxi? Hlavně s ohledem na výpočetní náročnost.	cs
but.jazyk	angličtina (English)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	en
dc.contributor.author	Nguyen, Son Hai	en
dc.contributor.referee	Bartl, Vojtěch	en
dc.date.accessioned	2022-06-24T06:55:16Z
dc.date.available	2022-06-24T06:55:16Z
dc.date.created	2022	cs
dc.description.abstract	Za účelem nahrazení výpočtově náročných konvenčních numerických metod řešících diferenciální rovnice jsou neurální výpočty stále více prozkoumávány. Tato práce se zaměřuje na řešení časově nezávislé Helmholtzovi rovnice, která modeluje šíření ultrazvuku při transkraniální léčbě ultrazvukem. Při použití konvolučních neuronových sítí musí být data navzorkovaná na pravidelné mřížce, abychom odstranili dané omezení, navrhli jsme neurální výpočet založený na grafových neuronových sítích. Narozdíl od fyzikálně informovaných neuronových sítích (PINN) je potřeba náš model natrénovat pouze jednou, řešení pro množinu nových parametrů vyžaduje pouze dopředných chod. Model byl natrénovaný pomocí učení s učitelem, kde referenční data byly vypočítána pomocí konvenční metody k-Wave. Náš model má stabilní rozvinutí, přestože byl natrénovaný pouze s osmi iteracemi. Ačkoli byl model natrénovaný pouze na datech s jedním zdrojem vln, tak zvládne predikovat i vlnová pole s více zdroji i v mnohem větších výpočetních doménách. Náš model je schopen predikovat subpixelové body s větší přesností než lineární interpolace. Dále je naše řešení schopno predikovat vlnové pole i s podvzorkovaným Laplaciánem, kde jsou pouhé tři vzorky na jednu vlnovou délku. Nejsme si vědomi žádné existující metody fungující s takto řídkou diskretizací.	en
dc.description.abstract	Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.	cs
dc.description.mark	A	cs
dc.identifier.citation	NGUYEN, S. Aproximace šíření ultrazvuku pomocí neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145426	cs
dc.identifier.uri	http://hdl.handle.net/11012/207830
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	neurální výpočet	en
dc.subject	Helmholtzova rovnice	en
dc.subject	grafové neuronové sítě	en
dc.subject	aproximace šíření zvuku	en
dc.subject	iterativní model	en
dc.subject	PDE	en
dc.subject	parciální diferenciální rovnice	en
dc.subject	strojové učení	en
dc.subject	neural solver	cs
dc.subject	Helmholtz equation	cs
dc.subject	graph neural networks	cs
dc.subject	approximation of sound propagation	cs
dc.subject	iterative model	cs
dc.subject	PDE	cs
dc.subject	partial differential equation	cs
dc.subject	machine learning	cs
dc.title	Aproximace šíření ultrazvuku pomocí neuronových sítí	en
dc.title.alternative	Approximation of Sound Propagation by Neural Networks	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2022-06-20	cs
dcterms.modified	2022-06-23-09:13:54	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145426	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.24 08:55:16	en
sync.item.modts	2022.06.24 08:16:47	en
thesis.discipline	Počítačové vidění	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Aproximace šíření ultrazvuku pomocí neuronových sítí

Files

Original bundle

Collections