Bayes’scher Deep Learning-Ansatz zur Untersuchung von NichtGaußianität, Korrelationen und Change-Points in zellgetriebenem Transport (B10*)

• Fachliche Zuordnung: Mathematik
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 318763901

Kolloidale Partikel, die von einem „lebenden Teppich“ amöboider Zellen transportiert werden, weisen stark nicht-Gaußsche Verschiebungsverteilungen auf, die im Langzeitlimes gegen eine Exponentialverteilung (Laplace-Verteilung) konvergieren. Gleichzeitig ist die mittlere quadratische Verschiebung bei kürzeren Zeiten superdiffusiv und bei längeren Zeiten normaldiffusiv. In diesem Projekt werden wir neue Daten bei verschiedenen Zelldichten sammeln und die Dynamik der Zell-Partikel-Kontakte aufzeichnen. Wir werden eine theoretische Beschreibung, basierend auf der stochastischen fraktionalen Laplace-Bewegung, unterstützt durch Bayes’sche Deep-Learning Strategien, entwickeln und zur Analyse von Change-Points in der Partikelbewegung erweitern.

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1294: Datenassimilation – Die nahtlose Verschmelzung von Daten und Modellen
• Antragstellende Institution: Universität Potsdam
• Teilprojektleiter: Professor Dr. Carsten Beta; Professor Dr. Ralf Metzler