prikaz prve stranice dokumenta Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja
  Preuzmi
PDF 4.38 MB
diplomski rad
Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. urn:nbn:hr:217:479192
Pavlović, Bartol
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Pavlović, B. (2025). Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:479192

Pavlović, Bartol. "Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:479192

Pavlović, Bartol. "Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:479192

Pavlović, B. (2025). 'Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 22.03.2025., https://urn.nsk.hr/urn:nbn:hr:217:479192

Pavlović B. Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2025 [pristupljeno 22.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:479192

B. Pavlović, "Određivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:479192

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:479192
Podaci o radu
NaslovOdređivanje dinamike fizikalnog sustava pomoću interpretabilnih algoritama dubokog učenja
Naslov (engleski)Determining the dynamics of a physical system using interpretable deep learning algorithms
AutorBartol Pavlović
MentorDavor Horvatić (mentor)
Član povjerenstvaDavor Horvatić (predsjednik povjerenstva)
Član povjerenstvaMatko Glunčić (član povjerenstva)
Član povjerenstvaPetar Žugec (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2025-01-20, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
Ovaj diplomski rad istražuje primjenu interpretabilnih algoritama dubokog učenja za modeliranje dinamike populacije neurona koristeći podatke vremenskih nizova. Neuronske simulacije generirane Brian 2 simulatorom služe kao primarni skup podataka, replicirajući ponašanje međusobno povezane mreže neurona u kontroliranim uvjetima. U istraživanju se primjenjuje novi duboki konvolucijski okvir osmišljen za multivarijatne vremenske nizove, s naglaskom na interpretabilnost bez gubitka točnosti... Više predikcije. To se postiže arhitekturom sposobnom za hvatanje aktivnosti pojedinačnih neurona i kolektivne dinamike, kao i pružanje uvida u temeljne mehanizme koji upravljaju tim ponašanjima. Prepoznavanjem najbitnijih značajki filtriranjem signala od šuma i aproksimacijom interakcija zadanim funkcijama, model spaja fleksibilnost dubokog učenja i interpretabilnost klasičnih regresija. Fokusirajući se na Izhikievichev model neurona, rad istražuje sposobnost modeliranja sustava vremenskih nizova i interpretabilnost modela. Rezultati pokazuju da ovakav interpretabilni pristup dubokog učenja može učinkovito analizirati i predvidjeti neuronsku dinamiku, povezujući područja strojnog učenja, neuroznanosti i fizike. Također, razvijene su nove ideje za prilagođavanje izlaza modela promatranom sustavu. Sakrij dio sažetka
Sažetak (engleski)
This thesis explores the application of interpretable deep learning algorithms for modeling the dynamics of neuron populations using time-series data. Neural simulations generated with the Brian 2 simulator serve as the primary dataset, replicating the behavior of interconnected neural networks under controlled conditions. The study employs a novel deep convolutional framework for multivariate time series, emphasizing interpretability without sacrificing predictive accuracy. This is... Više achieved through an architecture capable of capturing the activity of individual neurons and collective dynamics while providing insights into the fundamental mechanisms governing these behaviors. By identifying key features, filtering signals from noise, and approximating interactions with predefined functions, the model combines the flexibility of deep learning with the interpretability of classical regression techniques. Focusing on the Izhikevich neuron model, the work examines the capacity of time-series systems to model and interpret the dynamics. The results demonstrate that such an interpretable deep learning approach can effectively analyze and predict neural dynamics, bridging the fields of machine learning, neuroscience, and physics. Additionally, new ideas were developed for adapting the model's outputs to the observed system. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:479192
Studijski programNaziv: Fizika; smjerovi: istraživački
Smjer: istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani preddiplomski i diplomski
Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2025-01-17 10:01:48
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.