Wissenschaftlich inspirierte ANNs für dynamische, verteilte und stochastische Systeme (SmartANN)

Zwei Aspekte des maschinellen Lernens (ML) können kritisch gesehen werden: (1) es ignoriert das wissenschaftliche Verständnis physikalischer Prinzipien der vergangenen Jahrhunderte und (2) die verwendeten Strukturen sind nicht gut interpretierbar („black box“), so dass ML keine logischen Erklärungen auf dem Weg zu verbessertem wissenschaftlichen Verständnis bieten kann.

Unser Ziel ist, dass ML vorliegendes physikalisches Verständnis nutzt, und dass ML nützlich wird bei der Suche nach neuen wissenschaftlichen Erklärungen. Dafür entwerfen wir entsprechende Formen von künstlichen neuronalen Netzen (KNNs) mit physik-basiertem Hypothesenraum und interner Struktur. Zusätzlich wenden wir physik-basierte Einschränkungen des Lernvorgangs an. Abschließend bringen ihnen bei, ihre eigene Neigung zu Vorhersagefehlern zu erkennen und als statistische Verteilungen zu berücksichtigen. So erhalten wir stochastische ML-Modelle, deren interne Struktur physikalisch interpretierbar ist, die bereits aus weniger Beispielproblemen lernen können, und die bessere Vorhersagen mit bekannten Fehlerbändern erzielen können. Außerdem können sie statistisch konsistent zur Datenassimilation verwendet werden, selbst wenn das datenliefernde System physikalisch nur teilweise verstanden ist.

Wir entwickeln und testen unsere Ansätze am Beispiel eines Prototypens für ein Energiespeichergerät. In dieser Anwendung verwenden wir ML, um den Ladungszustand, Betriebstemperatur und Betriebsdruck des Gerätes verfolgen und vorhersagen zu können, und um die verbleibende Lebensdauer des Gerätes mitverfolgen zu können. Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) wird experimentelle Daten eines solchen Prototypen liefern, und Partner aus SimTech Projektnetzwerk 1 werden existierende, physikalisch denkende numerische Simulationswerkzeuge beisteuern.