Scientific Machine Learning and AI
Über
Wir betrachten wissenschaftliches maschinelles Lernen und KI als ein interdisziplinäres Unterfangen, das wissenschaftliches Rechnen und maschinelles Lernen kombiniert, um domänenspezifische Probleme in den Natur- und Ingenieurwissenschaften zu lösen. Unsere Gruppe konzentriert sich auf die Entwicklung von Methoden für Physics Informed Machine Learning, hybride und Surrogatmodelle, rein datengesteuerte (Blackbox-)Modelle und Grundlagenmodelle für multimodale wissenschaftliche Daten. Unser Ziel ist es, ML- und KI-Modelle zu entwickeln und zu trainieren, die auf bestimmte Klassen wissenschaftlicher Probleme zugeschnitten sind, wobei wir Faktoren wie die erforderliche Genauigkeit und die verfügbaren Daten berücksichtigen.
Forschungsthemen
Zu unseren Hauptforschungsbereichen gehören:
1. Hybrid- und Surrogatmodelle
Surrogatmodelle (oder Vorwärtsmodelle) nutzen Simulationsdatensätze oder Mikroskopiebilder, um komplexe räumlich-zeitliche Beziehungen zu skalaren oder tensoriellen Werten oder Feldern zu erlernen. Zum Beispiel die Vorhersage eines 2D-Feldes von Druckwerten in einer Flüssigkeit, bei der die Reynoldszahl fest gelegt ist, oder die Bestimmung der akkumulierten plastischen Dehnung aus einer Kornmikrostruktur. Unser Ziel ist es, rechnerisch effiziente Ersatzmodelle zu entwickeln, die den Genauigkeitsanforderungen wissenschaftlicher Fragestellungen gerecht werden.
2. Inverse Modellierung
Wir befassen uns mit inversen Problemen, für die es zwar keine eindeutigen Lösungen gibt, die aber durch eine auf Deep Learning basierende Regularisierung und die Einbeziehung physikalischer Randbedingungen in gut gestellte Probleme umgewandelt werden können. Dabei ist die Analyse und Abstimmung der latenten Raumdarstellung einer der verwendeten Ansätze.
3. Grundlagenmodelle für multimodale wissenschaftliche Daten
Im Zusammenhang mit der Photovoltaik sind wir Teil eines größeren Teams, das ein Grundmodell für multimodale wissenschaftliche Daten entwickelt. Dabei geht es um die Entwicklung von Kodierern, die verschiedene Datenmodalitäten - wie Spektraldaten, Bildgebung und numerische Simulationen - effektiv miteinander verbinden, um die Analyse und das Verständnis von photovoltaischen Materialien und Systemen zu verbessern.
In all unseren Projekten konzentrieren wir uns auf die Entwicklung von ML- und KI-Modellen, die nicht nur genau und recheneffizient sind, sondern sich auch an ein breites Spektrum wissenschaftlicher Probleme anpassen lassen und letztlich zur Lösung konkreter wissenschaftlicher Probleme beitragen.
