ML4E: Machine Learned Models for Engineers

Für komplexe technische Systeme ist es schwierig, vollständige physikalisches Modell zu erstellen. Selbst wenn dies gelingt, ist oft der Bedarf an Rechenleistung für diese Modelle problematisch. Eine Alternative bilden Modelle, die auf maschinellen Lernverfahren basieren. Diese konnten in den letzten Jahren erstaunliche Erfolge bei dem Vorhersagen des Verhaltens derartiger komplexer Systeme erzielen.

Auch wenn kein vollständiges Modell des Systems existiert, besteht dennoch bei Ingenieuren und Naturwissenschaftler oft ein großes Verständnis über physikalische und technische Gegebenheiten, welche den Systemen zugrunde liegenden.

Dieses Wissen wird jedoch durch den Black-Box-Ansatz, der den klassischen ML-Modellen zugrunde liegt, nicht genutzt.

Das Ziel unserer Gruppe besteht darin, hybride ML Ansätze zu finden, welche dieses Wissen nutzen, um die Qualität der Vorhersagen dieser Modelle zu verbessern.

Dabei betrachten wir insbesondere die Fragestellung:

• Wie können bestehende physikalische (Teil-)modelle integriert werden?
• Wie kann Domänenwissen beim Training von ML Modellen berücksichtigt werden?
• Wie kann eine robuste Vorhersage trotz spärlicher Daten erfolgen?
• Wie können hybride Modelle das Vertrauen in die Vorhersagen stärken?