BayesFlow: Simulationsbasierte Intelligenz mit Deep Learning

• Antragsteller: Dr. Paul-Christian Bürkner, seit 12/2023
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528702768

Unter Simulation Intelligence (SI) wird eine neue Generation von Forschungsmethoden zusammengefasst, die digitale Simulationen zur Nachbildung und zum Verständnis komplexer realer Systeme und Phänomene nutzen. Neuronale Netze und Deep Learning haben in letzter Zeit ihr Potenzial bewiesen, SI auf bisher unlösbare Probleme anzuwenden. Die Verfügbarkeit benutzerfreundlicher Open Source Software für SI ist jedoch noch immer begrenzt, was die weitere Verbreitung und den flexiblen Einsatz moderner Methoden für SI einschränkt. In diesem Antrag konzentrieren wir uns auf Software für amortisierte Bayesianische Inferenz, die ein wichtiger Bestandteil von SI ist. Amortisierte Bayesianische Inferenz zeichnet sich durch eine Trainingsphase (z.B. eines neuronalen Netzes) aus, die sich dann durch eine nahezu instantane Inferenz für eine beliebige Anzahl von Daten während der Testzeit amortisiert. Konkret wollen wir die BayesFlow Software zum langfristigen Gold-Standard für amortisierte Bayesianische Inferenz weiterentwickeln. Wir definieren vier spezifische Arbeitspakete, um dieses Ziel zu erreichen: Erstens werden wir die Reichweite und Usability der Software erhöhen, indem wir die interne Struktur, die Konsistenz und die Benutzeroberfläche verbessern. Außerdem gilt es, einen Ausbau der projektbegleitenden Metadaten und Dokumentation durchzuführen. Dies umfasst beispielsweise die API-Referenz, Kurzanleitungen und ausführliche Tutorials. Zweitens werden wir die nachhaltige Qualität der Software sicherstellen, indem wir effiziente Routinen zur Behebung von Fehlern entwickeln und Testsuiten mit maximaler Codeabdeckung erstellen, welche auf die Stochastizität probabilistischer Modelle abgestimmt sind. Darüber hinaus werden wir einen umfassenden Satz praktisch relevanter Benchmarks mit einem Leitfaden für Erweiterungen erstellen. Drittens werden wir Bedingungen für die weitere Entwicklung schaffen, indem wir eine starke Community um BayesFlow und amortisierte Bayesianische Inferenz im Allgemeinen aufbauen. Diese Gemeinschaft wird sich sowohl auf Forschungs- als auch auf Softwareaspekte konzentrieren und Entwickler*innen wie Benutzer*innen gleichermaßen helfen. Darüber hinaus soll ein müheloser Wechsel zwischen verschiedenen Deep Learning Backends ermöglicht werden, um den Kreis der potenziellen Mitwirkenden und Nutzer:innen zu erweitern. Viertens werden wir dazu beitragen, das Profil eine*r Software-Ingenieur*in zu schärfen. Dies geschieht durch die Arbeit in einem interdisziplinären Team von Forschenden, z.B. aus den Bereichen Biologie, Physik, Statistik und Psychologie. Es wird die Möglichkeit bestehen, sich tiefer in diese fachlichen Probleme einzuarbeiten und durch Innovationen auf methodischer sowie Software-Ebene zur Lösung zentraler Forschungsfragen beizutragen. Zusammenfassend werden wir durch das Erreichen dieser Ziele BayesFlow als eine weit verbreitete und zuverlässige Software auf dem Gebiet der amortisierten Bayesianischen Inferenz etablieren.

• DFG-Verfahren: Sachbeihilfen
• Ehemaliger Antragsteller: Dr. Stefan Radev, bis 12/2023