Das Erlangen wissenschaftlicher Erkenntnisse besteht in erster Linie darin, die Welt zu beobachten und diese Beobachtungen zu interpretieren. In den vergangenen Jahrhunderten stützten sich die Wissenschaftler auf ihr Wissen und ihre Modellierungsfähigkeiten, um Erkenntnisse zu gewinnen. Mit dem Aufkommen moderner Computer und Algorithmen sind jedoch rein datengesteuerte Methoden möglich geworden. Diese Methoden neigen jedoch dazu, aktuelle wissenschaftliche Erkenntnisse zu vernachlässigen.
Unser Ziel ist es, einen Beitrag zu diesen Mechanism Learning (MEL)-Methoden zu leisten, indem wir sie in die Lage versetzen, Vorwissen einzubeziehen, z. B. indem wir den funktionalen Suchraum möglicher Mechanismen einschränken, während wir lernen, die gegebenen Daten zu berücksichtigen. Es wird erwartet, dass diese Methoden im Gegensatz zu manuellen Ansätzen weniger unter menschlicher Voreingenommenheit bei der Modellauswahl leiden, während die Optimierung weiterhin auf bekanntem Expertenwissen basieren kann.
In diesem Projekt werden MEL-Methoden untersucht und verbessert, wobei der Schwerpunkt auf dynamischen Systemen liegt, die in der Grundwasserforschung häufig verwendet werden. Zu unseren Zielen gehören die Bestimmung des funktionalen Suchraums, die Einbeziehung vorhandenen problemspezifischen Wissens in den Lernprozess, die Gestaltung der Suche als (Bayes'sches) Modellauswahlproblem, die Modellierung und Darstellung von Unsicherheit innerhalb des erlernten Mechanismus und die Suche nach einem Gleichgewicht zwischen Datenanpassung und Einfachheit, um den Lernenden zu effizienten Lösungen zu führen.
