Napredni algoritmi i optimizacijski modeli potpomognuti matematičkom teorijom (OptimaAI)

Osnovne informacije

Projekt OptimaAI usmjeren je na razvoj inovativnih algoritama umjetne inteligencije i optimizacijskih modela koji se oslanjaju na suvremene matematičke teorije. Cilj projekta je izgraditi energetski učinkovita i skalabilna rješenja za analizu kompleksnih podataka u bioinformatici, obradi jezika, vizualnom praćenju i industrijskoj optimizaciji. Ključna komponenta projekta je snažna sinergija između primijenjenih AI tehnologija (deep learning, NLP, edge-AI) i temeljnih matematičkih disciplina (kombinatorika i diskretna matematika, teorija brojeva, teorija grupa).

Projekt uključuje rad na sljedeća četiri radna paketa: RP1 – Razvoj naprednih bioinformatičkih alata za analizu transkriptoma jedne stanice, RP2 – Razvoj AI modela za velike skupove podataka i pametnu obradu signala s kamere u realnom vremenu, RP3 – Duboko učenje u službi kombinatorne optimizacije i teorije grafova, te RP4 – Rješavanje matematičkih problema primjenjivih u optimizaciji – heuristike i metaheuristike: teorijski, kombinatorni i diskretni pristup.

Očekivani rezultati uključuju otvoreni softver, znanstvene radove u časopisima visoke razine te prijenos rezultata u primjene relevantne za zdravstvo, industriju i digitalnu tranziciju.

Trajanje projekta: 1.10.2025 – 30.9.2029.

Publikacije

1. M. Jukić Bokun, I. Soldo, Triangular D(−1)-tuples,, Bull. Math. Soc. Sci. Math. Roumanie, to appear.
2. K. Sabo, R. Scitovski, D. Grahovac, Š. Ungar, Mahalanobis clustering for color image segmentation and application to skin lesion classification,  subbmited.
3. D. Krupić, D. Matijević, N. Šuvak, J. Maltar, D. Ševerdija, Evaluating the agreement between human preferences, GPT-4V and Gemini Pro Vision assessments: Can AI recognize what people might like?, Computers in Human Behavior: Artificial Humans 6 (2025)

Konferencije

1. J. Maltar, I. Marković, D. Matijević, I. Petrović: Deep Recurrent Visual Place Recognition Based on Softmax Fine-Tuned Image Representations, MOTSP 2026, Zadar, Croatia
2. T. Prusina, J. Benić, D. Ševerdija, D. Matijević: MULTI-PERSON 2D HUMAN POSE ESTIMATION: A BENCHMARK FOR REAL-TIME APPLICATIONS, MOTSP 2026, Zadara, Croatia
   git: https://github.com/JurajBenic/HPEBench2D
3. T. Prusina, J. Benić: Edge-Based Bearing Condition Monitoring Using Jetson AGX Orin and Neural Networks, MOTSP 2026, Zadara, Croatia
4. L. Borozan, B. Borozan, D. Ševerdija: Efficient Checkpointing via Object Serialization in C# Applications, 2026 MIPRO 49th ICT and Electronics Convention, Opatija, Croatia, 2026.
   git: https://github.com/LukaBorozan/CheckpointingSystem
5. J. Sabljo, M. Đumić, M. Đurasević: Analysis of Training Models for Evolving Heuristics in the Unrelated Parallel Machines Scheduling Problem with Additional Resources, 2026 MIPRO 49th ICT and Electronics Convention, Opatija, Croatia, 2026.
   git: https://github.com/jsabljo/UPMSP-PR.git
6. Josipa Sabljo, Mateja Ðumić, and Marko Ðurasević. 2026. Evolving Dispatching Rules for the Unrelated Parallel Machines Scheduling Problem with Precedence and Resource Constraints with Genetic Programming. In Genetic and Evolutionary Computation Conference (GECCO ’26), July 13–17, 2026, San Jose, Costa Rica. ACM, New York, NY, USA, 9 pages.
   https://doi.org/10.1145/3795095.3805192

Mobilnost

• Bartol Borozan, Faculty of Informatics and Data Science, University of Regensburg, Germany, 1.10.2025. – 30.06.2026.
• Luka Borozan, Faculty of Informatics and Data Science, University of Regensburg, Germany, 24.3.2026.-28.3.2026.

Novosti