V lednu obhajuje svou disertační práci Martin Hurta z Ústavu počítačových systémů

Zveme vás na obhajobu disertační práce Ing. Martina Hurty z Ústavu počítačových systémů FIT VUT, která se bude konat ve středu 21. 1. 2026 od 10:00 v zasedací místnosti G108. Vedoucím disertační práce s titulem „Pokročilé kartézské genetické programování pro biomedicínské aplikace“ je prof. Lukáš Sekanina.

Martin Hurta se dlouhodobě pohybuje na poli kartézského genetického programování (CGP), tedy techniky umělé inteligence, která si bere inspiraci z přírodní evoluce. Genetické programování historicky vzniklo pro účely návrhu elektronických obvodů, dnes se využívá často v souvislosti s designem vestavěných obvodů typu FPGA. Tato metoda patří do kategorie algoritmů umělé inteligence zvaných evoluční algoritmy. Existuje řada podkategorií přírodou inspirovaných algoritmů, evoluční algoritmy jsou jedny z nich (dále existují třeba umělé neuronové sítě). Podstatou kartézského genetického programování je automatizovaný návrh algoritmů, kdy, laicky řečeno, máme více kandidátních náhodných řešení, všechny spustíme a vyhodnotíme, vybereme nejlepší a mocí náhodných změn vytvoříme řešení nová. Opakováním těchto operací dochází po vzoru evoluce k postupnému zlepšení řešení, až je výsledkem fungující program. Řešení kartézského genetického programování si pak můžeme představit jako graf operací pracujících se vstupy a konstantami. Tento graf má podobu 2D mřížky uzlů, která je interně reprezentovaná řetězcem hodnot. V mřížce probíhají výše uvedené změny propojení uzlů a funkcí které vykonávají. Po vzoru genetiky odborníci hovoří o mutacích řešení.

Škálovatelnost evaluace, tedy vyhodnocování všech kandidátních řešení ve stovkách tisíc iterací, je časově a energeticky náročná výzva, kterou se Martin Hurta ve svém výzkumu snaží řešit. Přesto, že je kartézské genetické programování schopné navrhnout velmi zajímavá řešení v úlohách jako klasifikace, symbolická regrese či návrh obvodů, jeho reálné využití je stále omezené. To je evidentní zejména v porovnání s technikami strojového učení, jako jsou umělé neuronové sítě. Důvodem je, kromě samotné výpočetní náročnost, také neobeznámenost s těmito postupy mimo úzkou komunitu výzkumníků.

V rámci své disertace Martin Hurta zkoumá možné modifikace a adaptace kartézského genetického programování, které by pomohly s vylepšením vlastností jak samotného algoritmu (doba návrhu, výpočetní požadavky), tak i navržených řešení (přesnost klasifikace, poměr mezi přesností a hardwarovými požadavky, vysvětlitelnost). Navržené metody pak experimentálně ověřuje na problémech z oblasti biomedicínské informatiky a bioinformatiky, které mohou čerpat z vysvětlitelnosti navržených řešení nebo možnosti jejich implementace do energeticky úsporných nositelných zařízení (např. lékařské monitorovací systémy) – s čímž mají běžné metody strojového učení problém. Hurta konkrétně zmiňuje svou spolupráci s prof. Stephenem Smithem z University of York: V rámci tohoto projektu jsou používány zařízení monitorující pomocí akcelerometru a gyroskopu pohyb pacientů s Parkinsonovou chorobou často trpících dyskinezí (velmi laicky: nedobrovolnými pohyby). Cílem je automaticky rozpoznat projevy dyskineze v pohybech pacientů a umožnit lékařům využít tyto informace pro správné míření medikace (lék Levodopa) a jejího dávkování. Podobně se Hurta podílel na aplikaci algoritmů kartézského genetického programování na rozpoznání abúzu alkoholu a depresivní poruchy z EEG, resp. na výpočet skóre polygenního rizika a možnost predikce růstu rostlin na základě genetické informace (zde je třeba zmínit jeho spolupráci na řešení výpočtů s Ústavem biomedicínského inženýrství na FEKTu, Wolframem Weckwerthem z University of Vienna a Dirkem Waltherem z Max-Planck-Institute of Molecular Plant Physiology). Doplňme, že polygenní rizikové skóre umožňuje obecně na základě vícero genů stanovit riziko predispozice k nějakému negativnímu jevu, u lidí pak jde nejčastěji o stanovení předpokladu pro konkrétní onemocnění. Pokud má Hurta určit aplikační pole, kterému se věnuje intenzivně a je jeho favoritem, volí jednoznačně: „Parkinsonově chorobě se věnuje nejdéle a také zcela aktuálně. Na této aplikaci společně s kolegy nadále aktivně pracujeme a věřím, že by se navržená řešení v budoucnu mohla stát součástí diagnostických nástrojů, a reálně tak pomoci zasaženým lidem. Navíc je možné do budoucna uvažovat o řadě jiných chorob, které ovlivňují pohyb člověka.“

Potenciálních praktických aplikací je spousta, ostatně má to podle Martina Hurty svůj důvod. „Metod umělé inteligence, strojového učení, je strašně moc a prakticky každá má své možnosti aplikace, pole, na němž je schopna zazářit. Výhodou kartézského genetického programování je, že jeho řešení je možné rozepsat jako matematickou rovnici. A jsou oblasti, pro které je právě toto kritické – často jde třeba právě o medicínu, vesmírný průmysl, vojenské technologie apod. Odborníci v těchto oblastech si díky zápisu řešení matematickou rovnicí mohou říct: ‚Je to sice umělá inteligence, ale navrhla mi konkrétně toto řešení, tuto rovnici, a právě ona půjde do našeho zařízení. Nebude tam jen nějaký black box‘,“ popisuje Hurta zásadní přednost genetického programování. A dodává: „Kdyby se naše klasifikátory dostaly do dalších lékařských ‚krabiček‘, bylo by to skvělé.“

Na FITu je Martin Hurta součástí výzkumné skupiny EvoAI Hardware, kterou vede jeho školitel prof. Lukáš Sekanina. „Doktorát vnímám jako přirozený krok. Na fakultě chci dále pokračovat. Jsem součástí nového velkého projektu doktora Vojtěcha Mrázka, v jeho rámci můžu pokračovat na podobných tématech. Jsem rád, že mám ‚razítko‘ na svůj postup, člověk je vždycky rád za pomyslné uložení pozice,“ komentuje Martin Hurta svou aktuální situaci a možnou budoucnost paralelou na počítačové hry.

Přejeme Martinu Hurtovi úspěšnou obhajobu a spoustu úspěchů v dalším výzkumu.