Nuo praėjusių metų Kauno technologijos universitete (KTU) organizuojamame konkurse, kurio prizinis fonas – 10 tūkst. eurų, gali dalyvauti pirmos ir antros pakopos, vientisųjų ir profesinių studijų studentai. Dešimt geriausių projektų autorių kiekvienais metais apdovanojami vienkartinėmis 1 tūkst. eurų stipendijomis.

Tikslines stipendijas šiemet gavo KTU Matematikos ir gamtos mokslų (MGMF), Informatikos (IF), Elektros ir elektronikos (EEF) bei Statybos ir architektūros (SAF) fakultetų absolventai. Iš viso šiais mokslo metais buvo vertinamas 41 KTU studentų baigiamasis projektas. Rudens semestro metu stipendiją gavo vienas, o pavasario semestre – net devyni KTU studentai.

Nugalėtojams išrinkti buvo sudaryta dirbtinio intelekto taikymo temą nagrinėjanti vertinimo komisija, kurią sudarė KTU studijų prorektorius Jonas Čeponis, Dirbtinio intelekto centro vadovė Agnė Paulauskaitė-Tarasevičienė, IF docentas Andrius Kriščiūnas, EEF docentas Arūnas Lipnickas, EVF lektorė Elena Vitkauskaitė ir docentė Ineta Žičkutė, SHMMF docentas Nerijus Čepulis, IF profesorius Rytis Maskeliūnas ir MGMF docentas Tomas Iešmantas.

Pradėjo kurti sprendimą, kurio rinkoje dar nėra

Konkurse dalyvavę ir stipendijas laimėję studentai tikina palankiai vertinantys tokį konkursą – tokiu būdu baigiamieji projektai dar labiau pastebimi ir įvertinami. Be to, jų teigimu, laimėjimas didina pasitikėjimą savimi.

„Stipendija nėra studento pagrindinė motyvacija, nes labiausiai motyvuoja idėjos, naujos žinios ir jų įgyvendinimas. Visgi apdovanojimas ir laimėta stipendija parodo, kad tavo darbas vertinamas palankiai, o tai didina pasitikėjimą siekiant tolimesnių tikslų“, – pranešime spaudai sako stipendiją laimėjusi KTU IF dirbtinio intelekto informatikos magistrantė Dovilė Komolovaitė.

Dovilė Komolovaitė

Studentės rengto baigiamojo magistro projekto tema – „Alzheimerio liga sergančių asmenų regos žievės EEG signalų analizė“ (angl. EEG Signal Analysis of the Visual Cortex in Individuals with Alzheimer’s Disease).

„Darbe susikerta ir informatikos, ir neurologijos mokslai. Pirmą kartą buvo tikrinama hipotezė, ar galima nustatyti matomą vizualinį dirgiklį pasitelkus smegenų signalus, išmatuotus regos smegenų žievėje, žinant, kad Alzheimerio liga paveikia atminties procesus, o ne vizualinį apdorojimą“, – pasakoja D. Komolovaitė.

Tam buvo naudojami metodai, skirti transformuoti signalus į vaizdus, generatyvinis konkurencinis tinklas duomenų didinimui bei konvoliucinis neuroninis tinklas klasifikavimui.

„Toks taikymas padėtų atminties sutrikimų turintiems asmenims kurti inovatyvius sprendimus naudojant smegenų-kompiuterio sąsajas, kurių šiuo metu rinkoje nėra“, – teigia KTU IF studentė.

Gilinosi į mažai ištirtą, bet populiarėjančią sritį

Dar vienas stipendiją laimėjęs magistrantas Pijus Makauskas, KTU MGMF studijavęs taikomosios matematikos studijų programoje, galvoja laimėtus pinigus investuoti ar net įkurti startuolį, veikiantį srityje, kurioje DI taikymas dar nenagrinėjamas. Studento baigiamojo projekto tema – „Comparison of FDM, FVM with NN for solving the Forward Problem“ (liet. Baigtinių skirtumų, tūrių bei dirbtinių neuroninių tinklų metodų palyginimas sprendžiant tiesioginį uždavinį“).

Pijus Makauskas

„Pasaulyje dažnu atveju yra stebimi dydžiai, kurie kinta nuo kitų, kažkaip susijusių dydžių. Ši priklausomybė yra svarbi norint kurti modelius ir prognozes, tačiau dažnai labai sunku ar net neįmanoma stebėti šių priklausomybių tiesiogiai tarp dviejų dydžių. Vienintelis būdas kaupti duomenis – per stebimojo dydžio pokytį. Tai galima aprašyti diferencialinėmis lygtimis“, – pranešime spaudai tikina P. Makauskas.

Studento teigimu, dažnai pasitaiko, jog jų išspręsti analitiškai (pieštuku ant popieriaus išvedant tikslų sąryšį) yra neįmanoma žinomomis funkcijomis, todėl į pagalbą yra pasitelkiami skaitiniai metodai, kurie apytiksliai įvertina šią funkcijos reikšmę.

„Esu dirbęs su baigtinių skirtumų bei tūrių metodais, tačiau pastebėjau, jog tokiam darbui galima naudoti ir mašininio mokymo algoritmus, konkrečiau – dirbtinius neuroninius tinklus. Šie tinklai veikia paklaidos funkcijos optimizavimo principu ir esant tinkamoms sąlygoms sugeba apytiksliai įvertinti bet kokią funkciją. Sunkioji dalis – apdorojus duomenis jais tinkamai pamaitinti tokius tinklus bei taktiškai aprašyti paklaidos funkcijas“, – sako KTU MGMF studentas.

Ši sritis pastaraisiais porą metų susilaukia vis daugiau dėmesio, tačiau, P. Makausko teigimu, tai yra vis dar ypatingai neištirta erdvė, turinti didelį potencialą praktiniams pritaikymams.

„Panaudojimas yra tiek platus, kiek yra sistemų, aprašomų diferencialinėmis lygtimis. Fizika grįsti neuroniniai tinklai yra labai nauja ir daug aprėpianti sfera, pastaraisiais metais susilaukianti nemažai dėmesio iš DI bendruomenės, tačiau būtent eliptinių diferencialinių lygčių sprendimas stipriai nevienalytėse bei sluoksniuotose terpėse yra beveik nenagrinėjamas“, – pastebi P. Makauskas.