Entscheidungsverfahren unter Unsicherheit: Einarbeiten von physikalischem Vorwissen

• Antragsteller: Dr. Michael Muehlebach
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 456587626

Moderne Verfahren aus dem Bereich des überwachten Lernens und der künstlichen Intelligenz kalibrieren flexible Black-Box-Modelle auf riesigen Datenmengen. Physikalisches Vorwissen, wie z.B. kausale Zusammenhänge, physikalische Gesetzmässigkeiten oder a-priori bekannte Symmetrien, werden oft nicht berücksichtigt. Dies kann dazu führen, dass die Modellvorhersagen schlecht auf Situationen generalisieren, die in den Trainingsdaten nicht abgebildet werden. Unsere Forschung befasst sich mit der Entscheidungsfindung in solchen Situationen. Die Forschung hat zum Ziel, datenbasierte Modelle zu entwickeln bei denen physikalisches Vorwissen explizit eingearbeitet werden kann, um genauere Vorhersagen und eine präzisere Unsicherheitsquantifizierung zu ermöglichen. Die zusätzliche Struktur, die durch das Einarbeiten von physikalischem Vorwissen entsteht, kann von mathematischen Optimierungsalgorithmen genutzt werden um die Entscheidungsfindung zu beschleunigen. Die Forschung leistet somit einen Beitrag zu einer sicheren und verlässlichen Anwendung von maschinellem Lernen und Methoden der künstlichen Intelligenz auf cyber-physische Systeme.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen