GRIPS为研究生提供了一个深入研究工业研究问题的难得机会,在学术研究和实际应用之间架起了一座桥梁。该项目设置在ZIB研究园区MODAL的动态环境中,从2024年6月24日至8月16日,邀请学生在跨文化团队中合作,解决具有挑战性的行业赞助项目。
项目1:风能系统中的流动不稳定性
主办单位:I2DAMO(智能集成数据分析和数学优化)有限公司
项目描述:
动机:整合可再生能源,例如风力发电,对可持续能源生产至关重要。风由多个涡轮机组成的农场面临与尾流相关的挑战能够显著影响整体效率的交互。流量不稳定性,例如Kelvin-Helmholtz不稳定性(KHI),a当两种不同的流体密度以不同的速度相互流动,可能会发挥作用风电场尾迹形成的关键作用。气流的不稳定性风力涡轮机周围可能会形成涡流,从而降低涡轮机。理解和缓解这些不稳定性至关重要优化风电场布局和提高能源开采。
方法:
预期成果:该项目可以通过减少失稳模式引起的损失和优化涡轮机布局,从而提高风能系统的整体性能和经济可行性,从而为风力涡轮机和风电场布局制定新的设计指南。通过最小化尾流诱导损失和提高风电场效率,该项目可以减少风能生产对环境的影响。
申请人要求:
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
项目2:优化基于有限元的光学模拟数值设置的机器学习
主办单位: JCMwave股份有限公司
项目描述:光子学是21世纪的关键使能技术。基于数据的方法在光子和量子技术的发展和应用中发挥着重要作用。在传感器技术和质量控制等领域,数据评估支持决策和量化过程。除了基于模型的测量过程模拟之外,人工智能(AI)方法在这里也变得越来越重要。MODAL NanoLab正在开发高效、误差控制和自适应模拟的方法光学纳米结构中的光-物质相互作用。有效调整数值模拟的精度设置对于相应模拟结果的保真度和可解释性至关重要。对于基于有限元的模拟,这些设置与网格质量、网格密度、有限元多项式次数有关ansatz函数和其他参数。该GRIPS项目的目标是研究ML方法以找到最佳参数设置。这将取代手动调整精度参数的繁重任务。在拟议的MODAL GRIPS2024项目中,参与者将获得商业程序包JCMsuite的实际操作经验,其中包含基于优化器的有限元求解器贝叶斯形式主义。我们将使用机器学习为实际感兴趣的问题找到最佳JCMsuite执行时间,同时将最终数值结果的期望精度视为优化运行期间的结果约束。这样,我们将完全自动化搜索过程,以获得最佳的有限元精度设置。
要求:
项目3:用于分析亚细胞结构的低温电子断层扫描和深度学习
主办单位: 赛默飞世尔科技公司
项目描述:低温电子层析成像(CET)是唯一一种允许直接在亚细胞结构的自然环境中以近原子分辨率观察其三维(3D)信息的成像技术。由于采集过程的一些物理限制,需要识别同一蛋白质的多个实例并求其平均值以揭示其结构,这一过程称为亚层析成像平均值(STA)。然而,使用现有软件在层析成像数据中对单个大分子的识别以及位置和方向的近似仍然是瓶颈。这是因为注释数据需要大量的用户交互,这是一个耗时且容易出错的过程。最近,使用深度学习(DL)等自动化方法改进了CET图像拥挤细胞环境中的粒子拾取。另一方面,DL需要使用大量带注释的数据进行训练,这在STA的情况下是一个无法克服的障碍。因此,像粒子取向近似这样的一些挑战还没有得到解决。注释问题的一个潜在解决方案是使用模拟层析图免费提供注释。然而,合成样本分布和真实样本分布之间的差异,即领域差距,显著降低了在合成样本上训练的模型的性能数据和实验数据。为此,在本项目中,我们将研究基于DL的模型,这些模型可以根据合成数据预测粒子方向。虽然这些模型在未发现的合成试验数据上取得了成功,但在实验数据上的结果仍然很差。因此,我们将研究如何微调预处理模型学习的嵌入特征空间。为此,我们将探索如何实现从模拟数据到实验数据的知识转移,而无需从头开始重新训练整个模型或需要大量带注释的实验数据。