Informatyka

1. Zastosowanie komputerów kwantowych do rozwiązywania problemów kosztownych obliczeniowo.

Promotor: dr hab Maciej Malawski

Promotor pomocniczy: dr inż Katarzyna Rycerz

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: Obliczenia kwantowe i ich zastosowanie jest obecnie jednym z najszybciej rozwijających się tematów współczesnej informatyki. Proponowane zagadnienie badawcze w ramach szkoły doktorskiej, dotyczy zbadania zastosowania istniejących i publicznie dostępnych prototypów komputerów kwantowych IBM-Q oraz D-Wave do współczesnych problemów informatycznych kosztownych obliczeniowo takich jak:

- Szeregowanie zadań na infrastrukturach obliczeniowych (w tym optymalizacja za pomocą kwantowego wyżarzania realizowanego poprzez D-Wave lub zastosowanie metod optymalizacji dostępnych w Quantum Information Science Kit udostępnionego przez IBM)

- Zastosowanie kwantowego błądzenia przypadkowego do segmentacji obrazów

- Badanie możliwych implementacji gier kwantowych na komputerze IBM-Q oraz za pomocą symulatora sieci kwantowej takiej jak SimulaQron

Zaplecze badawcze: Temat będzie realizowany we współpracy z Instytutem Informatyki Teoretycznej i Stosowanej PAN w Gliwicach, Uniwersytetem Notre Dame oraz IBM lab w Krakowie oraz w ramach spotkań Krakow Quantum Informatics Seminar organizowanych przez Katedrę Informatyki oraz IBM Software Lab Kraków. Dostęp do IBM-Q oraz D-Wave jest możliwy nieodpłatnie.

Liczba miejsc: 1

2. Problemy interpretowalności w modelach głębokiego uczenia.

Promotor: prof. dr hab. inż. Witold Dzwinel

Promotor pomocniczy: dr inż. Marcin Kurdziel

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: In the era of deep learning when the resulting data models are amazingly accurate, they become more and more complex to be interpretable by human. Without a methodology, which would be able to infer how a black box takes its decision, the highly effective machine learning methods in the socially and technologically sensitive domains will remain too risky to be implemented. Consequently, the lack of interpretability may be the principal issue in deploying these models to the real-world problems, particularly, the mission-critical applications such as healthcare, where being able to validate, trust and understand a learned model is an indispensable factor of its clinical implementation. Therefore, the trend for exploitation of the power of deep learning technology via their scaling towards larger and more complex systems, which will be more versatile, independent and accurate, is confronted with the loss of their interpretability. This can dramatically shrink the possibility of reasonable control and prediction of their behavior. Our project focuses on these two seemingly antagonistic aspects. However, the problem should be formulated in a much wider context. Namely, how the interpretability of the NN system depends on its complexity? To this end First, we explore the scaling opportunities of neural networks models by using ensembling strategy. Second, we try to develop the tools, allowing for both visual and algorithmic interpretation of the behavior of these NN ensembles.

Zaplecze badawcze: Praca w zespole Grupa Systemów Złożonych. Do dyspozycji zaplecze obliczeniowe Katedry Informatyki oraz granty obliczeniowe w ACK Cyfronet. Zespół wystąpił z wnioskiem OPUS do NCN o finansowanie projektu związanego bezpośrednio z tematem badawczym doktoratu.

Liczba miejsc: 1

3. Identyfikacja autorstwa oraz plagiatów z zastosowaniem sieci neuronowych i uczenia głębokiego.

Promotor: prof. dr hab. inż. Jacek Kitowski

Promotor pomocniczy: dr inż. Marcin Kuta

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: Zagadnienia rozpoznawania autorstwa pojawiają się w wielu kontekstach: w lingwistyce kryminalistycznej (identyfikacja samobójców, terrorystów,) ustalaniu autorstwa tekstów literackich czy identyfikacji autorów złośliwego oprogramowania. Pokrewnym zagadnieniem jest problem identyfikacji plagiatów prac naukowych, etc. Rozwój metod głębokiego uczenia oraz architektur sieci neuronowych stwarza nowe perspektywy rozwiązania powyższych problemów. Tematyka pracy obejmuje opracowanie: nowych architektur sieci neuronowych, doskonalszych reprezentacji tekstów i dokumentów opartych o sieci głębokie, oraz algorytmów uczenia do rozpoznawania autorstwa i plagiatów, celem osiągnięcia wyższej dokładności klasyfikacji.

Zaplecze badawcze: Realizacja z wykorzystaniem zaplecza informatycznego Katedry Informatyki oraz z możliwością wykorzystania zasobów obliczeniowych Akademickiego Centrum Komputerowego CYFRONET AGH, wraz z największym polskim superkomputerem Prometheus.

Liczba miejsc: 1

4. Obliczenia dla analizy i rekonstrukcji danych dla eksperymentów TOTEM i CMS w CERN, z wykorzystaniem przetwarzania równoległego i rozproszonego.

Promotor: dr hab Maciej Malawski

Promotor pomocniczy: dr Leszek Grzanka

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: Udział Katedry Informatyki w eksperymentach TOTEM i CMS w CERN ukierunkowany jest na rozwój algorytmów, metod i oprogramowania do analizy danych. Szczególnie ważne są algorytmy rekonstrukcji danych z detektorów, uwzględniając specyfikę geometrii eksperymentu oraz metody detekcji. Dodatkowo, ze względu na duży rozmiar danych, konieczne jest wykorzystanie metod przetwarzania równoległego i rozproszonego. Proponowane zagadnienie badawcze w ramach szkoły doktorskiej, dotyczy rozwoju w/w metod i narzędzi, w szczególności:

- Opracowanie algorytmów rekonstrukcji śladów cząstek z uwzględnieniem geometrii detektorów i optyki akceleratora LHC

- Badanie możliwości oraz zastosowanie nowych metod i narzędzi przetwarzania dużych zbiorów danych do analizy danych pomiarowych zebranych przez eksperymenty TOTEM i CMS.

- użycie rozproszonych infrastruktur obliczeniowych, takich jak klastry i chmury do realizacji i optymalizacji obliczeń

Dodatkowo, do obowiązków doktoranta będą należały: współpraca z zespołem z CERN (w tym krótkie lub dłuższe wyjazdy), dostarczanie wyników prac w postaci oprogramowania zintegrowanego z repozytorium CMSSW.

Zaplecze badawcze: Temat będzie realizowany we współpracy z CERN, planowane jest dodatkowe wynagrodzenie doktoranta w ramach przyznanego projektu finansowanego przez MNiSW.

Liczba miejsc: 1

5. Metody sztucznej inteligencji w zagadnieniach transparentnego dostępu do rozproszonych danych w systemach HPC.

Promotor: dr hab. inż. Renata Słota

Promotor pomocniczy: dr Łukasz Dutka

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: Problemy naukowe realizowane wspólnie przez międzynarodowe grupy badawcze wymagają narzędzi zapewniających nie tylko wydajny dostęp do rozproszonych nieustrukturalizowanych danych ale i łatwe nimi zarzadzanie. Operacje na metadanych, reprezentujących dane, środowisko i użytkownika, pozwalają na zminimalizowanie transferu danych do transferu tylko fragmentu danych aktualnie modyfikowanego przez użytkownika. Odbywa się to kosztem złożonych operacji na metadanych, pozwalających na częściową predykcję potrzebnego fragmentu. Zastosowanie metod sztucznej inteligencji (AI) wspierającej proces predykcji pozwoli na wydajniejszą organizację obliczeń i mniejszy narzut związany z transferem danych. Innym zagadnieniem gdzie wykorzystanie metod AI jest pożądane jest przypadkowy (random) zdalny dostęp do małych fragmentów plików, które przed transferem wymagają integracji dla minimalizacji narzutu komunikacyjnego. Ze względu na szeroką współpracę pomiędzy rozproszonymi grupami użytkowników oraz duże znaczenie zagadnień typu Big Data rozwój metod efektywnego dostępu do danych jest współcześnie w centrum zainteresowania wielu ośrodków badawczych.

Zaplecze badawcze: Realizacja z wykorzystaniem zaplecza informatycznego Katedry Informatyki oraz z możliwością wykorzystania zasobów obliczeniowych Akademickiego Centrum Komputerowego CYFRONET AGH, wraz z największym polskim superkomputerem Prometheus. Możliwość uczestnictwa w projektach międzynarodowych (m.in. w ramach H2020) i innych narodowych.

Liczba miejsc: 1

 

6. Percepcja sceny i uczenie maszyn.

Promotor: dr hab. inż. Bogdan Kwolek, prof. AGH

Wydział Informatyki, Elektroniki i Telekomunikacji

Streszczenie: Badania dotyczą widzenia komputerowego, uczenia maszynowego systemów adaptacyjnych/uczących się w czasie rzeczywistym, percepcji sceny oraz interakcji człowiek-maszyna. Celem naukowym jest opracowanie oryginalnych rozwiązań, a w szczególności rozwiązań algorytmicznych do percepcji oraz rozumienia sceny w czasie rzeczywistym. Przedmiotem badań są algorytmy widzenia komputerowego, detekcji obiektów, rozpoznawania obiektów i estymacji pozy 6D obiektów na obrazach cyfrowych (RGB oraz RGB-D) oraz śledzenia ruchu. Znacząca część badań dotyczy uczenia maszyn oraz systemów adaptacyjnych, m.in. z wykorzystaniem zaawansowanych technik uczenia maszynowego, projektowania złożonych modeli w oparciu o sieci neuronowe.

Zaplecze badawcze: Opublikowano szereg prac dotyczących widzenia komputerowego, uczenia maszynowego, systemów adaptacyjnych/uczących się w czasie rzeczywistym, percepcji sceny oraz interakcji człowiek-maszyna. Kierowano siedmioma projektami badawczymi NCN. W latach 2018-2021 realizowany jest grant badawczy NCN pt. "Efektywne metody percepcji sceny w czasie rzeczywistym w oparciu o analizę danych wielomodalnych oraz nienadzorowane uczenie cech", w którym są stanowiska dla doktorantów. Odbyto staże naukowe na uczelniach badawczych: Technische Universität Münich/Bielefeld University - 26 miesięcy, Stanford University - 2 miesiące, INRIA Paris - Rocquencourt - 1 miesiąc, University of Stavanger/University of Oslo - 6 tygodni i wiele innych krótkoterminowych pobytów badawczych. Zespół ma w dyspozycji specjalistyczne kamery cyfrowe, robot humanoidalny, komputery obliczeniowe GPU oraz specjalistyczne oprogramowanie.

Liczba miejsc: 2

 

7. Analiza zmian nowotworowych w obrazach histopatologicznych z wykorzystaniem metod sztucznej inteligencji.

Promotor: prof. dr hab. inż. Bogusław Cyganek

Streszczenie: Celem projektu jest przeprowadzenie badań nad opracowaniem metod detekcji i rozpoznania zmian nowotworowych w obrazach histopatologicznych wybranych tkanek. Badania zakładają wykorzystanie metod sztucznej, w szczególności głębokie sieci neuronowe, widzenie komputerowe oraz uczenie maszynowe.

Zaplecze badawcze: Jednostka badawcza posiada niezbędny personel oraz zaplecze techniczne w postaci m.in. serwerów obliczeniowych, kamer, kart graficznych, literatury, itp. niezbędnych do realizacji badań.

Liczba miejsc: 1