milan米兰体育app下载 计算科学和数学研究学位机会
计算机或数学博士学位可以成为学术生涯的第一步，也是获得世界上一些最有趣的技术工作的通行证。我们欢迎学生攻读数据科学、人工智能、数学、生物建模和计算机科学其他领域的博士或硕士学位。
我们每年资助的名额数量有限，这些名额会在 FindAPhD 上公布。
我们也欢迎拥有自己资金或希望制定申请奖学金提案的英国和国外学生。我们将帮助您提出研究问题和建议，以便您在milan米兰体育官网学习。您可能对研究问题有自己的想法，我们很乐意帮助您将它们塑造成高质量的博士提案。或者，您可能会发现我们现有的研究项目之一最适合您自己的兴趣。我们还提供专业的博士学位课程，您可以在其中为您的雇主（承担费用）开展一个项目，同时获得博士学位。
下面的列表介绍了目前提供的一些博士学位机会。如果您有奖学金机会或私人资助，请联系您感兴趣的项目所列出的主管。
计算科学博士机会
标题：公平人工智能降低高峰用电量
主管：西蒙·鲍尔斯博士
英国和欧盟最近更新了立法，制定了 2050 年净零排放目标。这需要放弃使用化石燃料发电，转向使用光伏电池和风力涡轮机等可再生能源。为了有效利用这些可再生能源，我们需要减少电力高峰需求。传统的方法是基于使用时间定价——公用事业公司设定高峰和非高峰时间，并向家庭在高峰时段使用其电器收取更多费用，目的是阻止他们这样做。然而，这种方法在英国并没有成功地广泛改变能源使用模式（例如，由于高峰消耗太高，我们今年冬天仍然面临停电的前景）。此外，按使用时间定价本质上是对低收入家庭的歧视。
该项目将开发替代方法，借鉴社会科学理论来开发基于代理的协议，以人们认为公平对待的方式减少高峰用电量。这些都是基于这样的想法：每个家庭都可以在他们的智能电表上运行一个代理，他们可以在其中输入他们想要何时运行其设备的偏好。然后，他们的代理人与其他家庭的代理人协商，提出尽可能满足每个家庭偏好的时间分配，同时减少高峰消费。该项目将在模拟中开发和测试几种此类协议，并进行在线用户研究以测试人们对它们的公平程度。
标题：值得信赖的人工智能技术真的会对人们的信任产生影响吗？
主管：西蒙·鲍尔斯博士
为什么人们信任或不信任人工智能 (AI)？为了预测可信人工智能的不同技术（例如可解释的人工智能）可能对人们的信任产生的影响，我们需要能够客观地衡量这一点。但目前的工作非常有限，因为它要么依赖于主观调查结果，要么依赖于仅适用于人工智能的一种应用的信任度量。这限制了我们概括和构建预测模型的能力。为了解决这个问题，我们将使用博弈论来模拟一个人在与各种人工智能系统（包括推荐系统和机器学习模型）交互时所做出的信任决策。
通过使用博弈论，我们将能够解释这样一个事实：人工智能系统设计者和人工智能系统使用者的利益往往并不完全一致（事实上，如果完全一致，就不需要欧盟人工智能法案等法规）。 例如，零售商设计的人工智能推荐工具可能会推荐比用户想要或需要的更昂贵的产品，或者可能以不符合用户最佳利益的方式使用最终用户的数据。同样，诸如 ChatGPT 之类的对话式人工智能工具受益于获得尽可能多的用户，并且可以通过提供广泛主题的答案来取悦用户来实现这一点，即使这些答案是不正确的。人类与人工智能交互的这种战略性质可能会对人们是否信任人工智能的不同应用程序以及哪些可信度信号影响他们的决策产生很大影响，但在之前衡量人工智能应用程序信任度的行为实验中却被忽略了。至关重要的是，通过考虑利益不一致的可能性，我们可以确定哪些可信度信号可能会误导人们相信不值得信任的系统。
标题：医学成像中的多模态生成人工智能
主管：哈兹拉特·阿里博士
大型语言模型 (LLM) 正在彻底改变医疗人工智能领域，主要是通过其在医疗保健领域处理文本和表格数据的先进功能。尽管取得了这些进步，法学硕士在医学成像领域的应用仍未得到充分探索。利用法学硕士的多模式数据处理能力，开发用于医学成像的创新人工智能工具，同时整合不同形式的数据，具有巨大的潜力，这可能会提高诊断准确性并改善患者的治疗结果。这项研究旨在开发新颖的人工智能驱动解决方案，可以更准确地分析和解释复杂的医学图像。这项研究的结果有可能显着推进该领域的发展，提供新的工具来支持临床医生做出更明智的决策，最终带来更好的患者护理和结果。
标题：用于合成孔径雷达 (SAR) 数据处理的生成式 AI
主管：瓦希德·阿克巴里博士
该项目旨在开发生成式 AI 方法，例如生成对抗网络 (GAN) 和变分自动编码器 (VAE)，用于合成孔径雷达 (SAR) 数据处理，包括图像合成和分辨率增强以及降噪。这些相对较新的技术在光学图像领域显示出了令人印象深刻的结果，例如，能够生成非常令人信服的假图像。因此，学生必须研究如何使用或调整这些方法来生成雷达成像中的类似数据。学生将遵循 GAN 和 VAE 的逐步发展路径，探索 SAR 图像域转换的一些应用，同时监控其预期性能以达到监控目的。
标题：合成孔径雷达数据的语言模型
主管：瓦希德·阿克巴里博士
这项研究将探索大型语言模型 (LLM) 的应用，以了解合成孔径雷达 (SAR) 数据中的散射机制。通过利用法学硕士的先进能力，该研究旨在提高 SAR 图像的解释和各种散射现象的识别。这种创新方法有可能显着推进 SAR 数据分析，从而实现更准确的环境监测和遥感应用。
标题：值得信赖的人工智能的合成数据
主管：保利乌斯·斯坦凯蒂斯博士
合成数据在解决人工智能领域的数据稀缺问题方面具有巨大潜力。使用物理模拟器生成良好的合成数据来训练深度学习模型的一大挑战是确保生成的合成数据充分捕获现实场景的复杂性和可变性，以有效地训练神经网络。 该项目将研究使用真实的合成数据和优化技术来提高人工智能模型的可信度。
标题：Deepfake 和假新闻检测
主管：莱昂纳多·贝泽拉博士
由于社交媒体或社交网站的日益普及，人们之间的数字联系比以往任何时候都更加紧密。这也使公民能够就从政府政策、日常生活事件到分享情感等多种话题表达自己的观点。然而，假新闻宣传影响力日益增大，如今引起各界关注。在某些情况下，有人认为选举结果是通过社交媒体上传播毫无根据、有时甚至被篡改的故事而被操纵的。除了虚假文本之外，基于人工智能的图像/媒体处理算法（通常称为“deepfake”）也出现了巨大的增长。近乎真实的虚假视频正在生成，这极大地促进了错误信息的传播。该项目将研究开发新算法，结合基于深度学习的自然语言处理（NLP）和计算机视觉（CV）技术来检测假新闻并防止错误信息传播。
标题：回溯时预测回溯的性能
主管： 帕特里克·迈尔博士
回溯是一种通用算法，用于计算许多组合优化问题（例如旅行推销员或车辆路线）的最佳解决方案。不幸的是，回溯求解器找到最优解、证明最优性或证明不可行性所需的时间很难预测，这限制了此类求解器解决现实问题的实用性。
算法研究主要集中在特定问题类别和识别困难问题实例的特征。相反，该项目旨在挖掘运行时（即在解决特定问题实例时）性能数据的通用回溯求解器，并构建可用于估计求解器在当前问题上的未来性能的统计模型。有趣的估计包括：当前解决方案是最优的可能性有多大？假设当前的解决方案是最优的，需要多长时间才能证明最优？搜索可以并行吗？如果可以，一小时内需要多少个 CPU 才能得到答案？
主题：应用认知计算方法增强职业康复
职业康复 (VR) 是医疗保健领域的一个领域，旨在帮助长期患病和失业的个人进入劳动力市场或接受教育 [2]。 VR 尚未完全接受认知计算机系统的使用，包括人工智能 (AI) 方法。因此，它为好奇的人们提供了无限的研究途径，例如预测未来地区对 VR 的需求、优化 VR 路径以实现最大的成功概率等等。潜在的博士生将与 ADAPT 联盟的国际合作伙伴合作，利用最先进的人工智能和数据科学方法来改进 VR 领域的决策和规划。这些项目将为 VR 信息学领域奠定基础，对人们的健康和福祉以及当前的社会问题产生国际现实影响。
主题：受生物启发的点对点叠加算法
主管：马里奥·科尔伯格博士
点对点 (P2P) 覆盖网络是自组织、自管理且高度可扩展的网络，无需集中式服务器组件。迄今为止，利用生物过程的灵感来构建和维护 P2P 覆盖已经引起了一些研究兴趣。大多数相关解决方案侧重于使用群体智能技术提供有效的资源发现机制。事实上，此类技术已证明在动态网络中的路由和调度方面具有性能优势，同时它们还具有对节点故障的适应性和鲁棒性的固有支持。相反，除了极少数例子之外，使用这种技术进行拓扑管理还没有真正得到利用。该项目将研究使用仿生解决方案进行拓扑管理，解决一些技术挑战，例如相对较高的计算和消息传递复杂性。
主题：应对网络攻击的机器学习方法
主管： 马里奥·科尔伯格博士
近年来，互联网服务的范围急剧扩大，但与此同时，网络攻击的数量和复杂程度都在增加，危及用户对此类服务的信任和使用。因此，研究人员需要针对这些不断演变的网络攻击开发解决方案。然而，随着攻击者不断改变其方法，这些攻击正在不断发展。
防火墙等安全措施已到位，作为网络防御的第一道防线来保护这些网络，但攻击者仍然能够利用这些网络中的漏洞。入侵检测系统 (IDS) 已显示出作为针对潜在攻击的成功对策的潜力。然而，仍然存在许多悬而未决的问题，例如在存在大量网络流量的情况下它们的效率和有效性。已经提出了几种 IDS，它们可以区分攻击和良性网络流量，并在检测到潜在威胁时发出警报。然而，这些系统必须能够实时分析大量数据才能适用于现代网络。不幸的是，数据量越大，存储的不相关信息就越多。一种解决方案可能是提取关键特征并应用机器学习 (ML) 技术来检测攻击。该项目将研究使用机器学习方法在运行时检测入侵攻击。
主题：理解和可视化多目标优化问题的概况
主管： 教授。加布里埃拉·奥乔亚
在商业、工业和科学领域，优化是一项横切且普遍存在的活动。优化问题出现在资源有限且需要或期望多种标准的现实情况中，例如在物流、制造、运输、能源、医疗保健、食品生产、生物技术等领域。大多数现实世界的优化问题本质上都是多目标的。例如，在评估潜在解决方案时，成本或价格是主要标准之一，而某些质量衡量标准是另一个标准，通常与成本相冲突。 因此，多目标优化曲面的分析至关重要，但尚未得到很好的发展。 该项目将着眼于开发和应用基于网络的健身景观模型和搜索轨迹来解决多目标优化问题。最终目标是提供对算法和问题的更好理解，并证明更好的知识可以带来跨多个领域更好的优化
主题：人工智能失明助手
主管： 凯文·斯温格勒博士
人工智能视力丧失助手 (AISLA) 项目旨在利用最先进的计算机视觉和人工智能为视力丧失者开发个人助理技术。该项目的主题包括计算机视觉、自然语言处理和人机人工智能界面。人工智能和计算机视觉博士学位可以带来学术生涯或汽车、自动驾驶汽车、数字助理设计或安全等行业的工作机会。谷歌、亚马逊和 Facebook 等公司处于商业人工智能的前沿。
主题：用于时间序列分析的可解释机器学习
主管：顾元林博士
在具有强烈不确定性或数据量有限的挑战性场景中，预测模型的性能和可靠性可能会受到负面影响。该项目旨在开发可解释的机器学习模型以及生成和选择可解释特征的方法。这将揭示系统输出与输入的复杂变化影响之间的关系，从而有助于根据所获得的见解和知识更轻松地进行模型微调。所开发的方法将应用于工程、金融、环境等多学科领域
主题：针对现实世界中大规模全局优化问题的高效搜索技术
主管：桑迪·布朗利博士
大规模优化问题变得非常困难：例如分配数千名熟练工程师的工作，或者优先考虑将公共资金花在哪里以提高数千个家庭的能源效率。该项目将着眼于如何了解这些问题的结构，使我们能够智能地划分它们，以便有效地解决它们，以及如何向决策者直观地呈现结果，以便他们做出明智的选择。
主题：基于搜索的软件改进
主管：桑迪·布朗利博士
软件无处不在，更高效的软件具有巨大的好处（即移动应用响应速度更快；减少数据中心对环境的影响）。在许多情况下，甚至需要在功能和效率之间进行权衡，但是改进现有代码很困难，因为很容易破坏功能，并且在我们衡量性能（无论是运行时间、内存消耗还是能源使用）时存在很多噪音。该项目将探索如何将遗传算法等基于搜索的方法与最新的大型语言模型和软件工程的最佳实践相集成，以提高代码的效率，解决这些困难。
主题：构建更小但更高效的语言模型
大型语言模型 (LLM) 需要大量数据，需要大量计算和能源资源。这有两个含义。首先，当应用于缺乏构建自然语言处理（NLP）模型的数据资源的低资源语言时，它们的效率较低，从而遗漏了世界上很大一部分人口。其次，目前培训此类法学硕士的能源消耗极大，这对环境产生负面影响。在这项研究中，我们的目标是利用其他领域的理论，包括但不限于语言学、心理语言学和认知科学，构建更小但更高效的小语言模型。
数学博士机会
主题：使用广义 Bradley-Terry 似然法进行体育统计
主管：罗宾·汉金博士
足球、板球测试和国际象棋等许多运动都有平局的可能性，而处理这种统计数据并不简单。 该项目将比较和对比体育统计背景下解决平局问题的不同方法，包括具体化的布拉德利-特里和加权似然函数。
主题：天生僵硬
主管：罗宾·汉金博士
在经典力学中，物体的“刚性”有一个非常明确的定义。当相对论考虑变得重要时，这个定义需要改变，相关概念是“天生的刚性”。 该项目将概括玻恩刚度以涵盖各种运动场景下的非弹性弦。 这些想法的一种应用可能是理解克尔度量中轻非弹性弦的行为。
主题：生态进化元社区模型的稳定性
主管：加文·阿伯内西博士
在理论生态学中，元群落模型模拟空间环境中不同斑块中多个物种的多个离散种群之间的相互作用。我们可以研究物种出现的空间模式如何取决于物理环境和扩散行为，以及竞争者或捕食者和猎物之间的相互作用如何能够共存或导致灭绝。模拟实验预测栖息地破坏、气候变化或栖息地破碎化对生物多样性的影响，以揭示保护和景观管理的原则。生态进化模型进一步结合了物种形成的规则，因此在这个项目中，您将探索进化、生态和空间机制如何相互告知以塑造新兴生态系统并影响其对抗扰动的稳定性。
主题：优化新疫情的疾病控制措施
主管： 安东尼·奥黑尔博士
该项目将使用人口普查、人口统计和旅行网络数据，在给定一些高级输入（例如潜伏期和 R0 值）的情况下对一个国家/地区的疾病爆发进行建模，并使用人工智能来确定最佳的疾病控制措施，例如关闭学校、关闭铁路线等。此外，对于给定量的疫苗，您将确定疫苗使用的最佳分配。
标题：心肌细胞病理学建模
主管： 安雅·基皮奇尼科娃博士
心脏建模是理解健康和患病心脏病理生理机制的重要工具。未来的博士项目以心脏建模为中心，特别侧重于创建和检查健康和患病心室细胞的模型。作为该项目的一部分，候选人将熟练掌握模型开发和分析的复杂技术。这些技术将包括虚拟群体方法和敏感性分析，旨在识别影响疾病表现的主要细胞属性。
标题：为网络模拟器 3 设计障碍
主管： 安雅·基皮奇尼科娃博士
在网络仿真领域，整合障碍物的过程对于实现真实可靠的结果起着关键作用。该项目结合了存在障碍时波传播技术的各种方法以及编码结果的实现，即在网络模拟器 3 (NS-3) 中实现障碍，网络模拟器 3 是广泛用于网络研究和开发的流行工具。该方法考虑了现实世界障碍的物理特性及其对信号传播的影响，有效地实现了对各种环境条件的更准确模拟。通过纳入材料类型、尺寸和障碍物位置等变量，模型应模拟它们在信号强度、反射、折射、衍射和吸收方面的干扰。
标题：心电图分类的新方法
主管： 安雅·基皮奇尼科娃博士
心电图 (ECG) 分类对于诊断心脏异常至关重要，为预防性健康措施提供了重要工具。尽管该领域取得了进步，但提高心电图分类方法的准确性和可靠性仍然存在重大机会。该研究计划旨在探索新颖的数学和信号处理技术，以增强心电图分类并支持心脏病患者的及时干预。
主题：如何避免食品系统的临界点
主管：雷切尔·诺曼教授
我们生产、分配和购买食物的方式被称为食物系统，其中存在许多非线性因素。在这个项目中，我们将研究临界点的作用，以及我们可以避免它们的具体方法。该项目将使用数学模型来描述食物系统的各个方面，我们将采用理论方法进行分析，同时考虑之前临界点的特定案例研究，例如一些鳕鱼种群的崩溃。
主题：新的传染病何时爆发以及何时消失？
主管： 雷切尔·诺曼教授
有大量新出现的感染，这些感染要么是我们以前从未见过的疾病，要么是进入新地区的疾病。例如，Covid-19 直到 2019 年底才被发现，它似乎来自野生动物。然而，随着我们与环境互动的方式发生变化，我们更频繁地面临这些新感染的挑战。该项目将使用数学模型来研究哪些特征导致疾病爆发或疾病消失。该项目将使用随机 SIR 型模型，该模型与非线性微分方程相耦合，以了解疫情爆发时会发生什么。如果少数人被感染（例如病原体从野生动物传播到人类），哪些病原体特征更有可能导致疫情爆发？该方法将结合不同模型参数空间的理论探索和对特定疾病的考虑。
主题：计算科学与工程中的稀疏多维指数分析
主管： 李文新博士
指数分析可能听起来很遥远，但它以许多令人惊讶的方式影响着我们的生活，即使大多数人没有意识到它有多么重要。例如，信号处理领域中的大量工作本质上致力于分析指数为复数的指数函数。指数彼此非常接近的指数函数的分析与超分辨率成像直接相关。至于具有实数指数的指数函数，它们用于描述松弛、化学反应、放射性、传热和流体动力学。
由于指数模型对于描述物理和生物现象至关重要，因此它们的分析在推动科学和工程方面发挥着至关重要的作用。该提案研究了指数分析在实践中的几种多维用途。
主题：指数分析满足小波理论
主管： 李文新博士
在过去的几年中，稀疏表示已被实现为多个三角函数、切比雪夫多项式、球谐函数、高斯分布等的线性组合。最近还引入了膨胀和平移范式，以便在稀疏指数分析或稀疏插值中与这些基函数一起使用。因此，可以从稀疏和粗略采样的数据构建高分辨率模型，并且可以压缩多个级数展开（傅里叶、切比雪夫……）。上述内容可用于一维以及更高维度。与小波理论的相似性在很大程度上仍未被探索。
主题：改善抗生素剂量方案：减轻与不同患者依从性相关的风险
主管：安迪·霍伊尔博士
抗生素耐药性的上升给我们的医疗服务带来了越来越大的压力，据估计，欧盟每年有超过 30,000 人的死亡与耐药细菌有关。然而，传统的抗生素治疗方案几乎没有什么变化，我们每天使用恒定的剂量，例如：每天 X 毫克（或 1 片），持续 N 天。该项目将结合数学模型和人工智能，旨在找到最佳的抗生素治疗方案，最大限度地提高宿主的生存率，最大限度地减少耐药性的出现，并减轻不确定的患者依从性。