Scriptiebank overzicht

Hoe kunnen we verborgen schade in beton opsporen zonder het materiaal te beschadigen? In deze studie wordt een geautomatiseerd meetsysteem gecombineerd met artificiële intelligentie om defecten, zoals holtes en delaminaties, te detecteren en te lokaliseren. Met behulp van trillingsmetingen en een neuraal netwerk werden de defecten onder gecontroleerde laboratoriumomstandigheden met een nauwkeurigheid van 97,7% geclassificeerd. De resultaten tonen hoe deze technologie kan bijdragen aan een snellere en meer geautomatiseerde inspectie van betonnen constructies, en zo de weg vrijmaakt voor gerichter onderhoud.

Diepgaand leren heeft het visueel waarnemingsvermogen bij autonoom rijden aanzienlijk verbeterd, maar conventionele camera's blijven beperkt door bewegingsonscherpte, een beperkt dynamisch bereik en hoge latentie. Gebeurteniscamera's, geïnspireerd door biologische visie, overwinnen deze beperkingen door asynchroon veranderingen in pixelhelderheid te detecteren. Dit mechanisme levert datastromen die schaars, temporeel nauwkeurig en zeer efficiënt zijn voor embedded toepassingen. De inherente schaarste en het gebrek aan intensiteitsinformatie in gebeurtenisgegevens bemoeilijken echter het extraheren van onderscheidende kenmerken en vormen uitdagingen voor de training van neurale netwerken. Daarnaast lijden gangbare datasets zoals CIFAR10-DVS aan een niet-uniforme verdeling van gebeurtenissen door het gebruik van lineaire of polygonaal gevormde bewegingstrajecten tijdens de opname, wat leidt tot periodieke artefacten.
Om deze beperkingen te overwinnen, evalueert dit proefschrift systematisch gebeurtenisrepresentaties—waaronder gestapelde afbeeldingen, voxelrasters en tijdoppervlakken—met standaard CNNs om optimale architecturen voor embedded implementatie te identificeren. Door gebruik te maken van transfer learning met vooraf getrainde ImageNet-modellen wordt de nauwkeurigheid onder beperkte dataomstandigheden aanzienlijk verbeterd. Experimentele resultaten tonen aan dat volledige fine-tuning van het hele netwerk noodzakelijk is om zich aan te passen aan de unieke eigenschappen van gebeurtenisgebaseerde gegevens. Het voorgestelde model integreert dropout, L2-regularisatie en een meerfasig leersnelheidsschema om de trainingsstabiliteit en generalisatie te bevorderen. Met deze co-designbenadering behaalt EfficientNetB0 een nauwkeurigheid van 81,05% op CIFAR10-DVS bij verwerking van gebeurtenissen binnen één temporeel venster.
Voor implementatie identificeert inspectie met het Xilinx Vitis Al-platform TensorFlow's MobileNetV2 als de optimale keuze dankzij volledige compatibiliteit met DPU-hardwareversnellers. Hoewel post-training pruning op basis van globale kanaalrangschikking is onderzocht, is de effectiviteit beperkt door het inherent gebrek aan redundantie in het model. Daarentegen compenseert quantization-aware training (QAT) succesvol het nauwkeurigheidsverlies tijdens INT8-kwantisatie, waarmee real-time prestaties (2,8 ms/frame) bij een ultralaag energieverbruik (1,77 mW) worden bereikt op het KV260 embedded platform.
Gemotiveerd door de beperkingen van bestaande datasets wordt een nieuw acquisitieplatform voorgesteld, waarbij gebruik wordt gemaakt van een Dobot-robotarm voor continue cirkelvormige beweging geïnspireerd op biologische oogbewegingen. Deze methode genereert uniforme gebeurtenisverdelingen en elimineert periodieke artefacten die aanwezig waren in eerdere datasets, wat robuustere training en evaluatie van neurale netwerken op gebeurtenisgegevens ondersteunt.

De afvoer van smeltwater uit de gletsjers van het Tien Shan-gebergte in Kirgizië is van cruciaal belang voor de samenleving en economie in de stroomafwaarts gelegen vlaktes. In het droge Centraal-Azië is de landbouw sterk afhankelijk van irrigatie met dit water. De gletsjers functioneren als watertorens: ze herverdelen de schaarse neerslag over de seizoenen, wat grootschalige landbouw mogelijk maakt. Door klimaatverandering trekken de gletsjers zich echter snel terug, waardoor de inwoners van de vlaktes hun belangrijkste inkomensbron dreigen te verliezen.

Het doel van deze thesis is het evalueren van het Instructed Glacier Model (IGM). Dit
model gebruikt een neuraal netwerk als emulator om ijsstroming te beschrijven, wat computationele voordelen oplevert en het mogelijk maakt het model zowel invers (interpoleren van ijsdiktemetingen) als voorwaarts (voorspellen van gletsjerevolutie onder klimaatscenario’s) te gebruiken. De prestaties worden vergeleken met klassieke ruimtelijke interpolatiemethoden, zoals de vloeispanningsmethode, en met een hoger-ordemodel dat de gletsjerevolutie simuleert.

De evaluatie vindt plaats op de Batysh-Sook-gletsjer in de Tien Shan. De resultaten tonen dat het ge¨ınverteerde IGM consistente, nauwkeurige en gladde ijsdiktevelden genereert. Vooral in schaars bemonsterde zones presteert het model beter dan de
conventionele vloeispanningsmethode. Voor de gletsjerevolutie laten zowel IGM als het hoger-ordemodel zien dat de Batysh-Sook-gletsjer gevoeliger is voor opwarming dan veel omliggende gletsjers, waarschijnlijk door haar kleine huidige omvang. IGM volgt de trends van het hoger-ordemodel goed, al simuleert het in de historische periode iets minder smelt, waardoor het gletsjervolume groter blijft.

Deze bevindingen tonen aan dat IGM een veelbelovend instrument is voor zowel ijsdikteinterpolatie als projectie, vooral in gebieden met beperkte veldmetingen. Betere modellering van gletsjers zoals de Batysh-Sook kan leiden tot nauwkeurigere voorspellingen van toekomstige waterbeschikbaarheid, wat van groot belang is voor wetenschappelijk onderzoek en voor duurzaam waterbeheer in Centraal-Azië.

Het ontdekken van nieuwe interacties tussen geneesmiddelen en proteïne-doelwitten (DTIs) is cruciaal voor therapeutische innovatie, maar experimentele validatie is kostelijk
en schaalt niet naar de astronomische omvang van chemische mogelijkheden. Heterogene, schaarse bindingsdata en beperkte diversiteit belemmeren robuuste voorspelling en de mogelijkheden voor in silico moleculaire ontwerp. Deze scriptie presenteert een geïntegreerd raamwerk dat data, representaties en modellen opschaalt voor DTI-voorspelling en doelwit-gestuurd de novo geneesmiddelontwerp.

Een gecombineerd DTI-corpus (339k interacties) en twee grote pretrainingsbronnen werden samengesteld om zowel supervised als unsupervised leerdoelen te ondersteunen. Centraal in het raamwerk is een flexibele, modulaire multi-branch architectuur: elke branch van het model (geneesmiddel of doelwit) kan geïnstantieerd worden als een encoder met enkele invoer, of als een multi-invoer-encoder die complementaire representaties fuseert (bijv. graaf, vingerafdruk, aminozuursequentie, DNA-signalen).
De geneesmiddel branch kan ook een variatie-sampling kop en een latent-gestuurde, discrete diffusie gebaseerde moleculaire graaf-generator omvatten. Branches kunnen
gezamenlijk getraind worden voor supervised DTI-voorspelling, of onafhankelijk met unsupervised/self-supervised leerdoelen om biologische voorkennis langs domeinen
heen in te brengen.

Resultaten tonen een regime-afhankelijk beeld: in data-arme regimes zijn foundationmodel embeddings het effectiefst, terwijl moleculaire vingerafdrukken de leiding hebben
wanneer data abundant zijn. Analyses tonen aan dat geneesmiddel-representaties de DTI-voorspellingsnauwkeurigheid sturen, met graaf-gebaseerde representaties als
meest invloedrijk; aminozuur- en DNA-signalen zijn complementair voor proteïnen. Algemeen verduidelijkt deze studie wanneer en hoe leren van meerdere representaties
en transfer learning helpen, biedt het een reproduceerbare basis voor DTI-voorspelling, en toont het de haalbaarheid aan van latent-gestuurde omgekeerde diffusie voor het
genereren van chemisch valide, doelwit-specifieke moleculen waarvan de farmacofore kenmerken consistent zijn met de bredere biochemische literatuur.

Accurate electricity price forecasting is critical in today’s volatile energy markets, particularly with the increasing penetration of renewable energy sources. This thesis aims to
compare the increasingly popular deep learning techniques with established statistical
models for electricity price forecasting in the Belgian day-ahead market. The comparative study uses a deep learning method called Long Short-Term Memory (LSTM) and
a statistical LASSO-Estimated Auto-Regressive (LEAR) model both in predicting price
values as well as quantifying their uncertainty. The main findings reveal that the LEAR
model outperforms the LSTM model in terms of accuracy and computation time. The
study emphasizes the importance of recalibration for improving forecasts and challenges the notion that deep learning models always outperform statistical methods.
The research contributes to the literature by providing insights into the effectiveness of
different forecasting models in the field of electricity price prediction.

In deze studie werd de prestatie van zes grote taalmodellen (GPT-3.5, GPT-4.0, Copilot, Gemini, Gemini Advanced en Perplexity) geëvalueerd op hun vermogen om nauwkeurige zelfzorgadviezen te geven over medicatie en supplementen. De taalmodellen werden getest met een reeks zelfzorgvragen in verschillende contexten en hun antwoorden werden systematisch verzameld en beoordeeld. De evaluatiecriteria omvatten de nauwkeurigheid van de antwoorden en hun potentieel om de patiënt te helpen.
De resultaten geven aan dat taalmodellen zeer goed in staat zijn om zelfzorgvragen nauwkeurig te beantwoorden en beschikken over de nodige kennis om relevante gezondheidsinformatie te verstrekken. GPT-4.0 kwam naar voren als het meest betrouwbare model en leverde nauwkeurige en uitgebreide antwoorden.
Een belangrijke bevinding van de studie is de aanzienlijke variabiliteit in de antwoorden tussen de modellen, beïnvloed door factoren zoals taal, vraagstructuur en gebruikerscontext. De meeste modellen presteerden beter bij vragen in het Engels dan in het Nederlands, wat wijst op een sterkere trainingsbasis in het Engels. De formulering van de vragen had ook een aanzienlijke invloed, waarbij modellen vaak hun antwoorden aanpasten op basis van de waargenomen voorkeuren van de gebruiker. Dit ondersteunt bevestigingsbias. Deze variabiliteit benadrukt de noodzaak van zorgvuldige overweging bij het integreren van AI-taalmodellen in de gezondheidszorg, aangezien inconsistente antwoorden kunnen leiden tot misinformatie en mogelijks schadelijke beslissingen.
De studie benadrukt dat taalmodellen een cruciaal onderdeel van patiëntenzorg zullen worden. Wanneer ze correct worden gebruikt, kunnen deze modellen de uitkomsten voor patiënten aanzienlijk verbeteren door toegankelijke en nauwkeurige gezondheidsinformatie te verstrekken. Het vermogen van grote taalmodellen om de last voor zorgverleners te verlichten, het begrip van patiënten over medische aandoeningen te verbeteren en 24/7 assistentie te bieden, maakt hen een waardevol hulpmiddel in de moderne gezondheidszorg. Hun inzet moet echter voorzichtig worden benaderd, met zorgvuldige validatie en het aanpakken van mogelijke risico's om hun voordelen te maximaliseren en schade te minimaliseren.

Nucleaire fusie kan de toekomst van schone energie zijn, maar er zijn problemen met iets genaamd ELMs. Dit zijn plotselinge uitbarstingen van energie die de reactorwand kunnen beschadigen, vergelijkbaar met stoom die vrijkomt uit een snelkookpan. Deze thesis gebruikt AI om ELMs te vinden, wat onderzoek naar fusie-energie gemakellijker maakt.

In deze scriptie wordt een pipeline geoptimaliseerd dat vertrekkende van publieke proteoomdata van cellijnen een model traint cellijnen te herkennen.

In mijn masterthesis verkende ik de mogelijke toepassingen van natural language processing (NLP) in de materiaalfysica. Meer bepaald ging ik na in hoeverre woordvectoren fysisch bruikbare info over materialen bevatten.

De afgelopen jaren hebben neurale netwerken realistische spraaksynthese mogelijk gemaakt. Toch is de gegenereerde spraak vaak niet expressief en niet makkelijk te bewerken. ConEx, het model dat ik ontwikkelde, laat gebruikers toe om spraak in een bepaalde stijl te genereren, en achteraf de prosodie aan te passen.

Een data-efficiënte controle-eenheid is ontworpen met behulp van reinforcement learning en gebruik makend van transfer learning om zo een optimale controle te realiseren op het laagspanningsnetwerk. Als flexibiliteitsbronnen worden batterijen en zonnepanelen gebruikt.

In deze thesis werd onderzocht op welke manier kan worden omgegaan met de steeds groter wordende datasets waar bedrijven tegenwoordig mee te maken krijgen. Na een theoretische studie over verschillende technieken voor de verwerking van de beschikbare dataset, werd uiteindelijk toegelegd op de techniek Deep Learning.

Dit onderzoek gebruikt een diep neuraal netwerk om de organen van een patiënt in te tekenen op een CT-scan. Hiermee wordt het werk van de radiotherapeut-oncoloog in de radiotherapie sterk verligt.

The worldwide effort on fusion research aims to realize a means of producing clean and safe energy for future generations. At the JET tokamak, extensive research is being performed to help accomplish this goal, but as with all complex machinery, component failures occur. In this work, two failure cases at JET are addressed with the goal of predictive maintenance by means of anomaly detection and other machine learning techniques.

Door de recente successen van deep learning en artificiële neurale netwerken te combineren met de biologische kennis van onze hersenen, kunnen we nieuw licht werpen op hoe mensen leren uit nieuwe ervaringen. Deze scriptie onderzoekt target propagation, een wiskundig model over hoe neuronen hun synaptische sterkte aanpassen om leren mogelijk te maken. Op basis van netwerk modellen ontdekten we dat target propagation een vorm van Gauss-Newton optimalisatie is en dat een biologisch netwerk van piramidale neuronen een gelijkaardig gedrag als target propagation kan vertonen.

Neurale netwerken hebben een "black box"-karakter, wat betekent dat we moeilijk kunnen interpreteren wat ze precies hebben aangeleerd, of hoe ze "denken". In deze masterthesis omzeilen we dit probleem door de aangeleerde kennis van een neuraal netwerk over te brengen naar een alternatief model dat wel interpreteerbaar is.

G2P is een belangrijke module in text-to-speech en spraakherkenning. Het doel is om de uitspraak van een zin in fonetisch schrift te vinden, gegeven de geschreven tekst. De huidige implementatie gebruikt een ketting van linguïstische regels die manueel door taalexperts ingegeven moeten worden. Dankzij de opmars van recentste technologiën, kan de volledige G2P stap in zijn geheel vervangen worden door een artificieel neuraal netwerk. Hiermee wordt de implementatietijd drastisch ingekort, in cominatie met een hogere nauwkeurigheid.

Met behulp van enkele recente doorbraken in verschillende takken van de wetenschap, waaronder in het kweken van neuronen en het heel precieze meten van hun activiteit, zijn we erin geslaagd de causale connectiviteit — welk neuron stuurt signalen naar welk ander neuron — in een in vitro netwerk van neuronen in kaart te brengen. In de scriptie Fysica worden deze causale connecties in verband gebracht met de stochastiche activiteit van de individuele neuronen. In de scriptie computerwetenschappen worden de parameters van de causale connecties vertaald naar artficiële neurale netwerken.

In deze masterthesis werd een convolutioneel neuraal netwerk getraind om mensen te herkennen en dieren te identificeren in cameravalbeelden. Cameravallen worden namelijk steeds vaker gebruikt om dieren in het wild te monitoren, maar het verwerken van het enorme aantal beelden vormt hierbij nog een knelpunt. Bovendien is het omwille van privacyredenen noodzakelijk om foto's van toevallige voorbijgangers te verwijderen alvorens de beelden publiek gemaakt kunnen worden.

Wat vind je van mijn TV-show?Televisie kijken is een natuurlijk deel van ons leven geworden. Een gemiddeld huishouden heeft dan ook meerdere tv-toestellen, waar gemiddeld enkele uren per dag naar gekeken wordt. Tijdens dat men tv kijkt, doet men bovendien vaak bij-activiteiten, zoals praten, eten, drinken... Bovendien wordt de televisie steeds meer een interactief gebeuren. Voor televisiezenders en -producenten zou het bijgevolg interessant zijn om te weten wat men zoal doet tijdens het kijken, en hoe men zich bij het programma voelt.

Hoe mieren files kunnen oplossenRouteplanning is een vaak voorkomend probleem. De huidige routeplanningssystemen gebruiken 2 soorten data om de reistijd te voorspellen: historische data en real-time data. Onderzoekers hebben een nieuwe aanpak ontwikkeld, genaamd anticiperende routebepaling voor voertuigen. In deze aanpak worden de huidige intenties van alle chauffeurs (i.e. de route die ze op dat moment plannen te volgen) gedeeld met de wegeninfrastructuur.