M'AI: Agent’s PDEs 1000-1S25MAP
1. Modele agentowe i dynamika zbiorowa
1.1 Modele Vicseka i Cuckera-Smale'a
1.2 Dynamika kształtowania opinii
1.3 Przejścia fazowe i zjawiska samoorganizacji
2. Równania PDE dla systemów zbiorowych
2.1 Wyprowadzenie równań kinetycznych z modeli cząstkowych
2.2 Równania typu Ginzburga-Landau
2.3 Nielokalne równania agregacji-dyfuzji (np. model Kellera-Segela)
3. Integracja z uczeniem maszynowym
3.1 Uczenie jąder oddziaływań przy użyciu sieci neuronowych
3.2 Zastosowanie neuronowych solverów PDE w systemach agentowych
Rodzaj przedmiotu
Wymagania (lista przedmiotów)
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Student zna przykłady zastosowań równań różniczkowych cząstkowych w modelach agentowych i sztucznej inteligencji. Student dostrzega możliwe zastosowania sztucznej inteligencji w konstruowaniu modeli poprzez uczenie oddziaływań. Student wie gdzie może rozwijać wiedzę zdobytą podczas seminarium.
Kryteria oceniania
Aktywność, referat.
Literatura
* Vicsek, T., et al. (1995). "Novel Type of Phase Transition in a System of Self-Driven Particles." PRL.
* Cucker, F. & Smale, S. (2007). "Emergent Behavior in Flocks." IEEE TAC.
* Carrillo, J. et al. (2018). "Aggregation-Diffusion Equations: Dynamics, Asymptotics, and Singular Limits." Book Chapter.
*Gulian, M., et al. (2019). "Machine Learning of Space-Fractional Differential Equations." SIAM J. Sci. Comput.
* Mavridis, C., et al. "Learning Swarm Interaction Dynamics from Density Evolution."
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: