Lernen physikalischer Zusammenhänge anhand von Messdaten

Wissenschaftliche Erkenntnisgewinnung beruht vor allem auf der Beobachtung der Welt und der Interpretation dieser Beobachtungen. In früheren Jahrhunderten stützten sich Wissenschaftler auf ihr Wissen und ihre Modellierfähigkeiten, um neue Einsichten zu gewinnen. Mit dem Fortschritt der Computertechnik und mit algorithmischen Entwicklungen sind jedoch datengestützte Methoden möglich geworden. Diese Methoden tendieren jedoch dazu, das bestehende wissenschaftliche Wissen außer Acht zu lassen.

Unser Ziel ist es, die Methoden des Mechanism Learning (MEL) weiterzuentwickeln, indem wir ihnen die Integration von Vorwissen ermöglichen. Dies könnte etwa durch die Einschränkung des Suchraums auf mögliche physikalische Zusammenhänge erfolgen, während das Modell an die vorhandenen Daten angepasst wird. Im Gegensatz zu manuellen Ansätzen wird davon ausgegangen, dass diese Methoden weniger anfällig für menschliche Biase bei der Modellwahl sind, während die Optimierung dennoch auf etabliertem Expertenwissen basieren kann.

Das Projekt untersucht und verbessert MEL-Methoden mit Fokus auf dynamische Systeme, die in der Grundwasserforschung häufig eingesetzt werden. Unsere Ziele beinhalten die Bestimmung des funktionalen Suchraums, die Einbeziehung spezifischen, bestehenden Wissens in den Lernprozess, die Formulierung der Suche als (Bayessches) Modellwahlproblem, die Modellierung und Darstellung von Unsicherheit im gelernten Mechanismus sowie das Finden einer Balance zwischen der Anpassung an die Daten und der Komplexität, um dem Lernprozess zu effizienten Lösungen zu verhelfen.