Machine learning for scientific visualization: ensemble data analysis

Deep learning voor de visualisatie van wetenschappelijke data

Wetenschappelijke simulaties en experimentele metingen produceren enorme hoeveelheden spatiotemporele data, maar het afleiden van zinvolle inzichten uit dergelijke data blijft een uitdaging vanwege de hoge dimensionaliteit, complexe structuren en ontbrekende informatie. Traditionele analysetechnieken worstelen vaak met deze problemen, wat de behoefte aan robuustere, datagestuurde benaderingen motiveert. 

In zijn proefschrift onderzoekt Hamid Gadirov deep learning-methodologieën om de analyse en visualisatie van spatiotemporele wetenschappelijke ensembles te verbeteren, met de nadruk op dimensionaliteitsreductie, stromingsschatting en temporele interpolatie. Ten eerste pakt Gadirov de uitdaging van hoogdimensionale datarepresentatie aan door autoencoder-gebaseerde dimensionaliteitsreductie voor wetenschappelijke ensembles te onderzoeken. Hij evalueert de stabiliteit van projectiemetrieken onder gedeeltelijke labeling en introduceert een Pareto-efficiënte selectiestrategie om optimale autoencodervarianten te identificeren, wat zorgt voor expressieve en betrouwbare laagdimensionale inbeddingen. 

Vervolgens presenteert Gadirov FLINT, een deep learning-model dat is ontworpen voor hoogwaardige stromingsschatting en temporele interpolatie in omstandigheden zowel met als zonder stromings-supervisie. FLINT reconstrueert ontbrekende snelheidsvelden en genereert zeer nauwkeurige temporele interpolanten voor scalaire velden in 2D+tijd- en 3D+tijd-ensembles, zonder dat domeinspecifieke aannames of uitgebreide fijnafstemming nodig zijn. 

Om de aanpasbaarheid en generalisatie verder te verbeteren, introduceert Gadirov ook nog HyperFLINT, een nieuwe, op hypernetwerken gebaseerde aanpak die dynamische voorwaarden stelt aan simulatieparameters om stromingsvelden te schatten en scalaire data te interpoleren. Deze parameter-inclusieve aanpassing maakt nauwkeurigere reconstructies mogelijk in diverse wetenschappelijke domeinen, zelfs in gevallen van schaarse of onvolledige data. Door belangrijke uitdagingen in wetenschappelijke data-analyse aan te pakken, bevordert dit proefschrift deep learning-technieken voor wetenschappelijke visualisatie en biedt het schaalbare, aanpasbare en hoogwaardige oplossingen voor de interpretatie van complexe spatiotemporele ensembles.

Hamid Gadirov voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Wetenschappelijke Visualisatie en Computer Graphics. Hij vervolgt zijn loopbaan als ontwikkelaar/AI specialist bij Gouw Informatie Technologie BV. 

Proefschrift: https://hdl.handle.net/11370/c5e44c05-76ea-4173-9289-403755953324