راهنمای توسعه مدل‌های ریاضی شبکه‌های دینامیکی پیچیده در مقیاس بزرگ

16 مه 2022 -توسط دانشگاه صنعتی آیندهوون

Karthik Raghavan Ramaswamy در توسعه ابزارها و تکنیک‌های مدل‌سازی مبتنی بر داده جدید برای بهبود بینش در سیستم‌های شبکه‌ای پیچیده، مانند ماشین‌های پیشرفته، شبکه‌های برق، شبکه‌های بیولوژیکی و شبکه‌های اجتماعی از دکترای خود دفاع کرد..

بسیاری از سیستم‌های واقعی، مانند سیستم‌های بیولوژیکی، ماشین‌های تولید نیمه‌رسانا و سیستم‌های حمل‌ونقل، به طور فزاینده‌ای پیچیده می‌شوند. آنها زیرسیستم های مختلفی را در بر می گیرند که به هم پیوسته اند، که یافتن مدل های ریاضی این زیرسیستم های به هم پیوسته را دشوار می کند. توسعه مدل‌های ریاضی این «شبکه‌های پویا» از داده‌ها در حوزه‌های مختلف از اهمیت بالایی برخوردار شده است و برای طراحی، تشخیص، نظارت و کنترل این سیستم‌ها مورد نیاز است.

 Karthik Raghavan Ramaswamy با بهره‌برداری از یادگیری ماشین، روش‌های بیزی، شناسایی سیستم و نظریه گراف، چارچوبی را ایجاد کرد که آزمایش‌کنندگان را در پیچ و خم  مدل‌سازی شبکه‌های پویا راهنمایی می‌کند و تکنیک‌ها و ابزارهای مورد نیاز را برای توسعه مدل‌های با کیفیت بالا -سیستم های تعبیه شده در یک شبکه پویا تحت سناریوهای مختلف در اختیار آنها قرار می‌دهد.

سیستم های پیچیده به هم پیوسته به طور فزاینده ای در همه جا فراگیر می شوند و مدل سازی مبتنی بر داده سیستم های به هم پیوسته در مقیاس بزرگ، معروف به شبکه های پویا، توجه روزافزونی را به خود جلب کرده است. اتصال پیچیده بین بسیاری از زیر سیستم‌ها در شبکه‌های پویا در مقیاس بزرگ، چالش‌های زیادی را برای مدل‌سازی شبکه‌های پویا ایجاد می‌کند. این باعث می‌شود که رویکردهای کلاسیک برای مدل‌سازی مبتنی بر داده، که در اصل برای سیستم‌های مقیاس کوچک طراحی شده‌اند، برای مدل‌سازی حتی یک زیرسیستم واحد در یک شبکه پویا در مقیاس بزرگ ناکافی باشند.

چالش‌های عملی زیادی در مدل‌سازی زیرسیستم‌ها در یک شبکه پویا وجود دارد، مانند مدیریت متغیرهای مخدوش‌کننده، افزایش انعطاف‌پذیری در مکان‌های قرارگیری حسگر و محرک در شبکه، انتخاب ساختار مدل مناسب، تخمین ساختار اتصال شبکه، و کاهش پیچیدگی و توسعه الگوریتم‌های مؤثری که برای شبکه‌های بزرگ مقیاس‌پذیر هستند.

کارتیک راماسوامی در دکترای خود به این چالش ها پرداخت. تحقیق کرد و با توسعه روش‌های تخمین، الگوریتم‌ها و ابزارهای گرافیکی جدید، راه‌حلی را ارائه کرد، که در راهنمای گام به گام به اوج رسید که به افراد با تخصص محدود در مدل‌سازی شبکه‌های پویا کمک می‌کند تا مدل‌های با کیفیت بالا از شبکه‌های پویا را از داده‌ها تحت سناریوهای مختلف توسعه دهند.  او با بهره‌برداری از یادگیری ماشین، شناسایی سیستم، روش‌های بیزی و نظریه گراف به این مهم دست یافت. نتایج دکتری او. تحقیقات اهمیت خود را در بسیاری از کاربردها، مانند تشخیص عیب در مونتاژ برد مدار چاپی PCBA، نظارت و تشخیص سیستم های پیشرفته مانند ماشین آلات نیمه هادی یا ماشین آلات چاپ، نظارت در خطوط لوله، استنتاج اتصالات مغزی، جوخه های خودرو، شبکه های برق و شبکه های بیولوژیکی توسعه می یابد.