Detail projektu
CAQtuS:Počítačem podporovaná kvantitativní syntéza
Období řešení: 1. 1. 2020 – 31. 12. 2022
Typ projektu: grant
Kód: GJ20-02328Y
Agentura: Grantová agentura České republiky
Program: Juniorské granty
Kvantitativní formální metody; syntakticky řízená syntéza; protipříklady; evoluční optimalizace; aproximační techniky; rozhodovací procedury; automatizace návrhů systémů; výpočetní biochemické modely; pravděpodobnostní programy
Počítačem podporovaná syntéza je nové paradigma v oblasti automatizace návrhu systémů s mnoha praktickými aplikacemi. V současnosti existují dva hlavní přístupy k syntéze: techniky založené na prohledávání stavového prostoru a induktivní techniky. Prvně zmíněný přístup postupně generuje kandidátní řešení, jejichž korektnost je následně verifikována. Tento přístup zpravidla není schopen dokázat neexistenci nebo optimálnost řešení. Induktivní techniky používají náročnou rozhodovací proceduru, která přímo zkonstruuje požadované řešení, nebo dokáže jeho neexistenci. Cílem tohoto projektu je vývoj nové metodiky, která unikátním způsobem kombinuje oba přístupy v rámci syntézy řízené syntaxí. Projekt je zaměřen na systémy mající pravděpodobnostní chování či zahrnující přibližné výpočty, a které tak vyžadují kvantitativní analýzu. Navržené metody budou přizpůsobeny problémům v oblasti vývoje relevantních inženýrských a biologických systémů. Věříme, že navržený kombinovaný přístup znatelně rozšíří možnosti současných metod pro automatizovaný vývoj komplexních systémů.
2022
- ANDRIUSHCHENKO, R.; ČEŠKA, M.; JUNGES, S.; KATOEN, J. Inductive Synthesis of Finite-State Controllers for POMDPs. In Conference on Uncertainty in Artificial Intelligence. Proceedings of Machine Learning Research. Eindhoven: Proceedings of Machine Learning Research, 2022.
p. 85-95. ISSN: 2640-3498. Detail - ANDRIUSHCHENKO, R.; ČEŠKA, M.; MARCIN, V.; VOJNAR, T. GPU-Accelerated Synthesis of Probabilistic Programs. In International Conference on Computer Aided Systems Theory (EUROCAST'22). Lecture Notes in Computer Science. Cham: 2022.
p. 256-266. ISBN: 978-3-031-25312-6. Detail - ČEŠKA, M.; MATYÁŠ, J.; MRÁZEK, V.; SEKANINA, L.; VAŠÍČEK, Z.; VOJNAR, T. SagTree: Towards Efficient Mutation in Evolutionary Circuit Approximation. Swarm and Evolutionary Computation, 2022, vol. 69, no. 100986,
p. 1-10. ISSN: 2210-6502. Detail - ČEŠKA, M.; MATYÁŠ, J.; MRÁZEK, V.; VOJNAR, T. Designing Approximate Arithmetic Circuits with Combined Error Constraints. In Proceeding of 25th Euromicro Conference on Digital System Design 2022 (DSD'22). Gran Canaria: Institute of Electrical and Electronics Engineers, 2022.
p. 785-792. ISBN: 978-1-6654-7404-7. Detail - HELFRICH, M.; ČEŠKA, M.; KŘETÍNSKÝ, J.; MARTIČEK, Š. Abstraction-Based Segmental Simulation of Chemical Reaction Networks. In International Conference on Computational Methods in Systems Biology. Lecture Notes in Bioinformatics. Bucharest: Springer Verlag, 2022.
p. 41-60. ISBN: 978-3-031-15033-3. Detail - MRÁZEK, V. Optimization of BDD-based Approximation Error Metrics Calculations. In IEEE Computer Society Annual Symposium on VLSI (ISVLSI '22). Paphos: Institute of Electrical and Electronics Engineers, 2022.
p. 86-91. ISBN: 978-1-6654-6605-9. Detail
2021
- ANDRIUSHCHENKO, R.; ČEŠKA, M.; ABATE, A.; KWIATKOWSKA, M. Adaptive formal approximations of Markov chains. PERFORMANCE EVALUATION, 2021, vol. 148, no. 102207,
p. 1-23. ISSN: 0166-5316. Detail - ANDRIUSHCHENKO, R.; ČEŠKA, M.; JUNGES, S.; KATOEN, J. Inductive Synthesis for Probabilistic Programs Reaches New Horizons. International Conference on Tools and Algorithms for the Construction and Analysis of Systems (TACAS). Lecture Notes in Computer Science. Cham: Springer International Publishing, 2021.
p. 191-209. ISBN: 978-3-030-72015-5. Detail - ANDRIUSHCHENKO, R.; ČEŠKA, M.; STUPINSKÝ, Š.; JUNGES, S.; KATOEN, J. PAYNT: A Tool for Inductive Synthesis of Probabilistic Programs. In International Conference on Computer Aided Verification (CAV). Lecture Notes in Computer Science. Cham: Springer Verlag, 2021.
p. 856-869. ISBN: 978-3-030-81684-1. Detail - ČEŠKA, M.; JUNGES, S.; KATOEN, J.; HENSE, C. Counterexample-guided inductive synthesis for probabilistic systems. Formal Aspects of Computing, 2021, vol. 33, no. 4,
p. 637-667. ISSN: 0934-5043. Detail
2020
- ČEŠKA, M.; CHAU, C.; KŘETÍNSKÝ, J. SeQuaiA: A Scalable Tool for Semi-Quantitative Analysis of Chemical Reaction Networks. In International Conference on Computer Aided Verification. Lecture Notes in Computer Science. Cham: Springer Verlag, 2020.
p. 653-666. ISBN: 978-3-030-53287-1. Detail - ČEŠKA, M.; MATYÁŠ, J.; MRÁZEK, V.; VOJNAR, T. Satisfiability Solving Meets Evolutionary Optimisation in Designing Approximate Circuits. In Theory and Applications of Satisfiability Testing - SAT 2020. Lecture Notes in Computer Science. Alghero: Springer International Publishing, 2020.
p. 481-491. ISBN: 978-3-030-51824-0. Detail - MARCHISIO, A.; MASSA, A.; MRÁZEK, V.; BUSSOLINO, B.; MARTINA, M.; SHAFIQUE, M. NASCaps: A Framework for Neural Architecture Search to Optimize the Accuracy and Hardware Efficiency of Convolutional Capsule Networks. In IEEE/ACM International Conference on Computer-Aided Design (ICCAD '20). Virtual Event: Association for Computing Machinery, 2020.
p. 1-9. ISBN: 978-1-4503-8026-3. Detail