Spojení statistické fyziky a technik strojového učení s důrazem na aplikace pro spektroskopická data

Simple item page
but.committeeprof. RNDr. Radim Chmelík, Ph.D. (předseda) prof. Ing. Radimír Vrba, CSc. (místopředseda) RNDr. Martin Ferus, Ph.D. (člen) prof. Ing. Miloslav Pouzar, Ph.D. (člen) prof. RNDr. Pavel Veis, CSc. (člen) Dr. Nuno Miguel Azevedo Silva (člen)cs
but.defenceDisertační práce Ing. Vrábela zkoumá obousměrný vztah mezi fyzikou a strojovým učením, a to jak v oblasti fundamentálního poznání, tak v oblasti praktických aplikací. Práce úspěšně naplňuje své cíle tím, že rozvíjí jak teoretické, tak praktické aspekty strojového učení v kontextu fyziky a laserem indukované rozkladové spektroskopie. Výzkum přináší nové poznatky v oblasti interpretovatelnosti hlubokého učení, a to zavedením konceptu propojení módů ve vstupním prostoru a fyzikálně inspirované regularizace. Aplikovaná část práce zaměřená na laserem indukovanou rozkladovou spektroskopii dále ukazuje praktická zlepšení v přenosu dat, klasifikaci a výběru metrik vzdálenosti. Disertační práce efektivně propojuje reálné spektroskopické aplikace se strojovým učením a fyzikálními vědami. V průběhu obhajoby Ing. Vrábel prokázal hluboké znalosti ve zkoumané oblasti a taky připravenost samostatně vědecky pracovat na vysoké úrovni.cs
but.jazykangličtina (English)
but.programPokročilé materiály a nanovědycs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKaiser, Jozefen
dc.contributor.authorVrábel, Jakuben
dc.contributor.refereeSuominen, Pekkaen
dc.contributor.refereeAzevedo Silva, Nuno Miguelen
dc.date.created2025cs
dc.description.abstractTato práce zkoumá obousměrný vztah mezi fyzikou a strojovým učením, a to jak v oblasti fundamentálního poznání, tak v oblasti praktických aplikací. Přestože strojové učení, a zejména hluboké učení, dosáhlo pozoruhodných úspěchů ve všech vědeckých oblastech, absence interpretovatelnosti modelů hlubokého učení zůstává zásadní překážkou skutečného vědeckého pokroku. Pojednávám o tom, jak může fyzika přispět ke strojovému učení prostřednictvím dvou komplementárních přístupů: poskytováním struktur pro teoretické pochopení systémů hlubokého učení a inspirováním nových algoritmů. V obrácené roli přezkoumávám a ukazuji, jak může hluboké učení řešit výzvy ve fyzikálních vědách, zejména ve spektroskopii, a jak profituje ze zakomponování fyzikou inspirovaných mechanismů. Hlavní přínosy této práce se dělí do tří směrů. Zaprvé, rozvíjím empirické a teoretické chápání neuronových sítí s využitím konceptů z vysokorozměrné geometrie a teorie perkolace a nabízím tak vhled do nového jevu zvaného Input Space Mode Connectivity. Zadruhé, vyvíjím fyzikou inspirovanou metodu učení, která zahrnuje induktivní tendence respektující procesy generování dat ve spektroskopii, což vede k lepší interpretovatelnosti. Zatřetí aplikuji metody hlubokého učení na analýzu spektroskopických dat se zaměřením na spektroskopii laserem buzeného plazmatu (LIBS), kde demonstruji aplikace a zlepšuji analytické schopnosti ve spracování dat.en
dc.description.abstractThis thesis explores the bidirectional relationship between physics and machine learning, advancing both fundamental understanding and practical applications at their intersection. While machine learning, and deep learning in particular, has achieved remarkable success across all scientific domains, the lack of interpretability in deep learning models remains a major obstruction to true scientific progress. I discuss how physics can contribute to machine learning through two complementary approaches: providing theoretical frameworks for understanding deep learning systems and inspiring novel algorithmic improvements. Conversely, I review and demonstrate how deep learning can address challenges in the physical sciences, particularly in spectroscopy, and how it benefits from incorporating physics-inspired inductive biases. The key contributions of this thesis fall into three main directions. First, I advance the empirical and theoretical understanding of deep neural networks using concepts from high-dimensional geometry and percolation theory, offering insights into a novel phenomenon called Input Space Mode Connectivity. Second, I develop a physics-inspired learning method that incorporates inductive biases respecting data-generating processes in spectroscopy, leading to enhanced interpretability. Third, I apply deep learning methods to spectroscopic data analysis, with a focus on Laser-Induced Breakdown Spectroscopy (LIBS), demonstrating practical applications and improving analytic capabilities.cs
dc.description.markPcs
dc.identifier.citationVRÁBEL, J. Spojení statistické fyziky a technik strojového učení s důrazem na aplikace pro spektroskopická data [online]. Brno: Vysoké učení technické v Brně. CEITEC VUT. 2025.cs
dc.identifier.other167030cs
dc.identifier.urihttp://hdl.handle.net/11012/250862
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. CEITEC VUTcs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectstrojové učeníen
dc.subjectfyzikaen
dc.subjecthluboké učeníen
dc.subjectinterpretovatelnosten
dc.subjectfyzikou-inspirované strojové učeníen
dc.subjectspektroskopická dataen
dc.subjectmachine learningcs
dc.subjectphysicscs
dc.subjectdeep learningcs
dc.subjectinterpretabilitycs
dc.subjectphysics-inspired learningcs
dc.subjectspectroscopic datacs
dc.titleSpojení statistické fyziky a technik strojového učení s důrazem na aplikace pro spektroskopická dataen
dc.title.alternativeInterconnection between statistical physics and machine learning, with applications to spectroscopic datacs
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2025-03-11cs
dcterms.modified2025-04-11-11:25:19cs
eprints.affiliatedInstitution.facultyCEITEC VUTcs
sync.item.dbid167030en
sync.item.dbtypeZPen
sync.item.insts2025.04.12 06:57:05en
sync.item.modts2025.04.12 05:31:48en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. CEITEC VUT. Středoevropský technologický institut VUTcs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 5
Thumbnail Image
Name:
final-thesis.pdf
Size:
27.11 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
Posudek-Vedouci prace-Posudek_skolitele_bezpodpisu.pdf
Size:
45.56 KB
Format:
Adobe Portable Document Format
Description:
file Posudek-Vedouci prace-Posudek_skolitele_bezpodpisu.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-20250227 Review_Report_Dr_Suominen_nosignature.pdf
Size:
155.36 KB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-20250227 Review_Report_Dr_Suominen_nosignature.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Review_Report_Dr_Nuno_Silva_nosignature.pdf
Size:
185.82 KB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-Review_Report_Dr_Nuno_Silva_nosignature.pdf
Download
Thumbnail Image
Name:
review_167030.html
Size:
1.32 KB
Format:
Hypertext Markup Language
Description:
file review_167030.html
Download
Collections
2025