Detailseite
Projekt Druckansicht

spBIGDATA_Mathematische und physikalische Modellierung von Einzelteilchentrajektorien - Big Data Ansatz

Fachliche Zuordnung Statistische Physik, Nichtlineare Dynamik, Komplexe Systeme, Weiche und fluide Materie, Biologische Physik
Mathematik
Förderung Förderung von 2017 bis 2023
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 380893586
 
Erstellungsjahr 2023

Zusammenfassung der Projektergebnisse

Moderne mikroskopische Techniken und Supercomputing-Studien enthüllen die detaillierte Bewegung von Tracerpartikeln in lebenden biologischen Zellen, die Bewegung von Lipiden und Proteine in Membranen oder die innere Dynamik von Biomolekülen. Oft weicht die dabei beobachtete Diffusionsbewegung von den Gesetzen der normalen Brownschen Bewegung (lineare mittlere quadratische Verschiebung, Gauß’sche Verschiebungswahrscheinlichkeitsdichtefunktion) ab. Dieses Phänomen wird als anomale Diffusion bezeichnet. Seit den 1960er Jahren wurden eine Reihe anomaler Diffusionsmodelle formuliert, einschließlich langreichweitig korrelierter Bewegung (typischerweise beobachtet in viskoelastischen Systemen) oder Bewegung, die durch skalenfreie Verteilungen von Immobilisationszeiten unterbrochen wird (beispielsweise in der internen Proteindynamik oder der Bewegung von Membranproteinen). Allerdings erfordert die immer weiter verbesserte Auflösung sowie die Länge der gemessenen Trajektorien immer ausgefeiltere stochastische Modelle, um die beobachtete Dynamik adäquat zu beschreiben. Gleichzeitig wollen wir aus den gesammelten Daten physikalische Informationen über das beobachtete System erhalten. Zu diesem Zweck müssen spezifische datenzentrierte Methoden entwickelt werden. Innerhalb dieses Projekts bündeln wir die Expertise der Angewandten Mathematikgruppe an der Wrocław University of Science & Technology und der Gruppe für Theoretische Physik an der Universität Potsdam, um neuartige stochastische Modelle zu entwerfen und zu studieren sowie neue Strategien zur Bestimmung physikalischer Prozesse und deren Parameter aus gemessenen Zeitreihen von Tracerpartikeln zu entwickeln. Für beide Richtungen lieferte unser polnisch-deutsches Konsortium eine breite Reihe verschiedener und komplementärer Ansätze, einschließlich neuer anomaler Diffusionsmodelle für ungeordnete Systeme, neue statistische Observablen sowie dedizierte computergestützte, datenzentrierte Ansätze auf Basis der Bayes’schen Statistik, Featurebasiertem maschinellem Lernen und Deep-Learning-Methoden.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung