NSF支持新大工程师的人工智能学习研究

达拉斯(smu) 的 美国国家科学基金会 授予新大工程学教授 Digvijay笨蛋 一个五年 职业生涯 加快开拓步伐, 简化的解决方案可以加快人工智能从数据中学习并做出预测的速度 和决定.

这些应用程序涵盖了广泛的任务, 比如确保机器学习模型的公平性, 改善库存管理，使供应链更健康，并在控制发电厂方面做出最佳决策.

Boob将获得596,607美元的奖金 格兰特 来自职业生涯 项目，NSF最负盛名的奖项 in 对早期职业教师的支持. 他的计划是针对 求解两类数学问题的算法. 被称为 半无限优化问题与均衡应变优化问题, 这些数学问题被科学家和商业从业者用来提高效率, 降低成本, 管理风险, 加强决策, 最大化利润. 数据科学家和工程师也在他们的领域中使用这些优化问题来评估预测结果并做出明智的决策.   

“我们目前对如何解决这些问题还没有足够的了解，” 笨蛋说, 他是新加坡管理大学莱尔工程学院运筹学和工程管理助理教授. “现有的算法往往只能在有限的情况下工作, 否则他们就无法处理我们当今世界面临的大规模问题.”

机器学习, 人工智能的一个子集, 使计算机能够从数据中学习, 使他们能够在没有明确编程的情况下做出预测或决定. 算法是机器学习模型的支柱, 提供数学指令，指导人工智能对遇到的数据做出反应.

更快的算法, 比如Boob想要开发的那些, 是否有可能比现有方法更快地解决优化问题. 随着人工智能模型变得越来越复杂，以满足用户不断扩大的需求，这一点至关重要.

半无限优化问题是具有无限个潜在约束的数学问题. Picture a plant that manufactures or processes chemicals; to avoid unintended chemical reactions, 必须记住几个变量，并不是所有的变量都可以提前预测. 半无限优化问题可用于确保考虑所有这些约束以获得理想的结果.   

均衡约束优化问题,另一方面, ，用来模拟一个系统，在这个系统中，多个参与者为了自身利益而独立行动,波波解释道. 这方面的一个例子是，竞争公司在考虑竞争对手的反应的同时，使用该算法来找出如何实现利润最大化. 

“算法的工作是在不确定的情况下找到良好的平衡点,波波说。, 谁专门开发可证明的快速收敛, 易于实现的可扩展算法.

然而, 为这些不同的优化场景编写算法将是极其困难的.

“解决方案点不仅需要满足约束条件, 但他们必须是所有这些点中最好的, 要么最大化一些利润，要么最小化错误，同时尊重那些无限或均衡约束,波波说. “显然，随意的做法只能让我们走到这一步. 我们要系统地研究这些问题.”

新大参与学习办公室的学生，有很强的数学背景, 优化, 和计算机语言将帮助Boob测试算法的工作效果，并在计算机上实现它们，以观察它们的运行情况. 

本材料基于美国国家科学基金会资助的工作. 2340858. 美国国家科学基金会的 职业生涯 程序 是一项基金会范围内的活动，提供国家科学基金会最负盛名的奖项，以支持有潜力在研究和教育中成为学术榜样并在其部门或组织的使命中引领进步的早期职业教师. 预计早期职业教师所从事的活动, 作为这个奖项的一部分, 将建立一个坚实的基础，终身领导整合教育和研究.

任何意见, 发现, 结论, 本材料中表达的建议是作者的观点，并不一定反映美国国家科学基金会的观点. 

关于SMU

SMU 这所全国排名的全球研究型大学位于充满活力的城市达拉斯吗. SMU的校友, 教师12人以上,在8所授予学位的学校中，000名学生在引领行业变革的过程中展现了企业家精神, 社区与世界.