Kolem JE Dukovany je instalována síť čidel měřících dávkové příkony ozáření z mraku. Byla diskutována možnost alternativní simulace dávek matematickým modelem s cílem určit podrobné rozložení dávkových příkonů kolem zdroje, s následnými možnými korekcemi pomocí řídkých hodnot z existujících měřících čidel. Nově zavedený model diskrétních gaussovských obláčků koresponduje se způsobem měření na čidlech a předpokládaným charakterem potenciálních radioaktivních úniků v blízkých vzdálenostech od místa úniku.
Ing. Květoslav Belda, Ph.D. je spoluřešitelem jediného oceněného korejsko-českého projektu, který byl podpořen GAČR společně s korejskou agenturou Korea Research Foundation. Projekt 23-04676J s názvem Řiditelná úchopová mechanika: Modelování, řízení a experimenty bude řešen ve spolupráci s Ústavem termomechaniky AV ČR, v.v.i. a Vysokou školou polytechnickou Jihlava.
L. Jirsa cooperates in tutorials, the course is supervised by Doc. RNDr. Ivana Malá, CSc. The course introduces elements of mathematical statistics. Topics: descriptive statistics, elements of probability theory, discontinuous and continuous random quantities, probability function, probability density function, point and interval estimates, testing of statistical hypotheses, elements of ANOVA, linear regression, correlation analysis, time series analysis, elements of index analysis.
Zveme vás na speciální komentovanou prohlídku dvou barokních sálů knihovny Strahovského kláštera - Filozofického a Teologického. Tyto sály budeme mít jen sami pro sebe, provázet nás bude zkušená turistická průvodkyně paní Jana Neubergová, která nám poskytne všeobecné informace o klášteře, o premonstrátském řádu, architektuře a výzdobě obou sálů. Fotografování je dovoleno bez blesku. Prohlídka potrvá hodinu, poté se můžeme jít občerstvit, rezervaci máme od 12.15, uvítáme všechny, kdo nestihnou prohlídku, i na neformálním posezení v Klášterním pivovaru.
Seminář se koná v pondělí 7. 11. 2022 v místnosti č. 474 od 11 hod. Přednášejícím bude Petr Pecha.
Stručný popis efektivního výpočetního modelu 3-D rozložení fluence fotonů a dávek z externího ozáření z radioaktivního mraku konečných rozměrů při jeho postupu nad terénem. K diskusi bude předložena možnost aplikace asimilačních technik jako příspěvku k bezpečnostním analýzám pro skutečnou konkrétní bližší oblast (do 100 km) od jaderné elektrárny Dukovany.
Matematické modely jednoduchých fyzikálních jevů jsou známé a dobře prozkoumané. Pro složitější jevy v nich však figuruje mnoho neznámých parametrů a často vedou k velmi složitým výpočtům. Je proto výhodné hledat pro tyto úlohy zjednodušené modely, které dobře reprezentují reálný problém. Běžně používané black-box modely jako neuronové sítě potřebují k naučení velké množství dat a často je obtížné porozumět jak modle funguje. Cílem práce je seznámit se s problémem učení matematických modelů z dat. Hlavním studovaným přístupem je učení řídké parametrizace bohatého modelu.
Bibliography:
1. Brunton, Steven L., Joshua L. Proctor, and J. Nathan Kutz. \"Discovering governing equations from data by sparse identification of nonlinear dynamical systems.\" Proceedings of the national academy of sciences 113, no. 15 (2016): 3932-3937.
2. Heim, Niklas, Tomáš Pevný, and Václav Šmídl. \"Neural power units.\" arXiv preprint arXiv:2006.01681 (2020).
3. Udrescu, Silviu-Marian, and Max Tegmark. \"AI Feynman: A physics-inspired method for symbolic regression.\" Science Advances 6, no. 16 (2020).
Shlukování je klasická statistická metoda používaná ve strojovém učení na datech, na kterých je definována vzdálenost (například Eukleidova vzdálenost vektorů). V praxi se ovšem setkáváme s daty, která mají složitější relační strukturu, např. obsah nákupního košíku v e-shopu. Definice vzdálenosti mezi takovými daty je mnohem složitější. Nabízí se využít metody statistického popisu dat, které se vzdálenosti učí. Pro zmíněná data je vhodným modelem bodový proces. Metody shlukování založené na těchto metodách jsou zatím velice jednoduché.
Bibliography:
1. Bishop, Christopher M. Pattern recognition and machine learning. Vol. 4. No. 4. New York: springer, 2006.
2. Vo, B. N., Dam, N., Phung, D., Tran, Q. N., & Vo, B. T. (2018). Model-based learning for point pattern data. Pattern Recognition, 84, 136-151.
3. Šmídl, V., & Quinn, A. (2006). The variational Bayes method in signal processing. Springer Science & Business Media.
Modelování stavu plasmatu v Tokamaku je náročné díky velkému množství fyzikálních dějů a neúplnému měření. Simulační nástroje vyžadují velké množství času na výpočet. Cílem práce je ověřit možnosti využití neuronových sítí jako univerzálního aproximátoru. Klasické neuronové sítě byly aplikovány již na několik problémů v oblasti diagnostiky plasmatu, použití nových architektur, např. transformerů je stále neprověřené. Práce se bude zabývat aplikací nejnovějších metod na problém detekce stavu udržení plasmatu (H-mode, L-mode, ELM).
Bibliography:
Matěj Zorek, Vít Škvára, Václav Šmídl, Tomáš Pevný, Jakub Seidl, Ondřej Grover. Semi-supervised Deep networks for plasma state identification. Plasma Physics and Controlled Fusion. 2022 F Matos, V Menkovski, F Felici, A Pau, F Jenko, TCV Team, EUROfusion MST1 Team,et al. Classification of tokamak plasma confinement states with convolutional recurrent neural networks. Nuclear Fusion, 60(3):036022, 2020. Zerveas G, Jayaraman S, Patel D, Bhamidipaty A, Eickhoff C. A transformer-based framework for multivariate time series representation learning. InProceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining 2021 Aug 14 (pp. 2114-2124).