Laufzeit: 01.09.22 – 31.08.25
Projektvolumen gesamt (Universität): 900.000 Euro
Gefördert durch: Bundesministerium für Bildung und Forschung

Motivation
Komplexe dynamische Systeme zu modellieren, ist eine Herausforderung in vielen Disziplinen wie den Ingenieur-, Natur- und Gesellschaftswissenschaften. Entsprechende mathematische Modelle sind die Grundlage für viele Anwendungen wie z. B. die Prozessüberwachung und Regelung technischer Anlagen oder zur Vorhersage von Pandemien. Experten-basierte Ansätze geben das Systemverhalten robust und interpretierbar wieder, benötigen aber häufig viel Zeit und Personalressourcen. Deshalb hat sich ein starker Trend zur datenbasierten Modellierung dynamischer Systeme mittels des Maschinellen Lernens entwickelt. Diese Black-Box Modelle lassen sich mit verfügbaren Softwarewerkzeugen und ohne nennenswertes Vorwissen zügig generieren. Allerdings sind ihre Funktionsweise bzw. Problemlösungsstrategie nur schlecht nachvollziehbar bzw. erklärbar.

Ziele und Vorgehen
Ziel der Nachwuchsgruppe „ML-Expert“ ist es, eine hybride Modellbildung dynamischer Systeme zu entwickeln, die sowohl das Daten- als auch Expertenwissen einbezieht. Dazu wird u. a. untersucht, wie a priori festgelegte Modellstrukturen sowie systemtheoretische Modelleigenschaften auf unterschiedlichen Abstraktionsebenen in den Modellbildungsprozess integriert werden können. Darauf aufbauend sollen automatisierbare Methoden- und Softwarepakete erarbeitet werden, welche die Datengenerierung, den eigentlichen Modellierungsprozess sowie die abschließende Validierung umfassen. Hierdurch soll die Modellgüte in Bezug auf Genauigkeit, Robustheit und Komplexität für verschiedene Anwendungsdomänen entscheidend beschleunigt und verbessert werden.

Innovationen und Perspektiven
Die entwickelten Lösungen werden kostenfrei als Open-Source zur Verfügung gestellt. Durch eine effiziente und ressourcenorientierte Datengenerierung, Modellbildung und -validierung werden zukünftig schnelle Entwicklungszyklen erreicht, was insbesondere für industrielle Anwendungen z.B. in der Automotive-, Energie- oder Automatisierungsbranche sehr relevant ist. Die geplanten Arbeiten sind aber domänenübergreifend ausgerichtet sein.