SEEDS: SEEDS: Entdeckung struktureller Modellfehler in dynamischen Systemen

• Laufzeit: 03.01.2017 - 01.03.2024
  Zuwendungsgeber: Deutsche Forschungsgemeinschaft (DFG)
  
  Prof. Dr. Maik Kschischo
  Hochschule Koblenz
  
  

  Das Verständnis und die Vorhersage der Dynamik komplexer Systeme ist eine Schlüsselaufgabe in verschiedenen Bereichen, darunter Biologie, Epidemien, Ingenieurwesen und Wirtschaft. Die Entwicklung ausreichend genauer Modelle für reale Systeme bleibt jedoch eine anspruchsvolle Aufgabe. Strukturelle Modellfehler, die durch unzureichendes Wissen über die quantitativen Wechselwirkungen im realen System und versteckte Eingaben aus der Umwelt verursacht werden, sind grundlegende Hindernisse für die Modellentwicklung. In diesem Projekt entwickeln wir Methoden und Algorithmen, um die Ursache dieser Modellfehler aus Daten zu rekonstruieren und so die systematische Erweiterung und Verbesserung von Modellen zu ermöglichen. Wir haben kürzlich einige neue Kriterien für die einzigartige Wiederherstellung des Modellfehlersignals aus Ausgangsmessungen entwickelt. Basierend auf diesen Fortschritten wollen wir robustere Wiederherstellungsalgorithmen mit bewährten Garantien für die Genauigkeit der Rekonstruktion entwickeln. Als zweites Hauptforschungsziel werden wir die automatische Erweiterung unvollständiger Modelle untersuchen, indem wir die in diesem Modell fehlenden maßgeblichen Gleichungen entdecken. Diese Algorithmen werden als freie Software zur Verfügung gestellt.

  

  Für seinen studentischen Beitrag im SEEDS-Projekt zur Schätzung struktureller Fehler in dynamischen Systemmodellen hat Dominik Kahl, Doktorand der Biomathematik an der Hochschule Koblenz, nun den ersten Preis bei einer internationalen Konferenz für Angewandte Mathematik, Modellierung und Computerwissenschaften (AMMCS) in Ontario, Kanada gewonnen. 

  
  
  

KI-Schwerpunktfelder des Forschungsprojekts

• Grundlagenforschung

  • Machine Learning (ML): Artificial Neural Network (ANN), Bayesian Neural Networks
  • Knowledge-Based Systems: Causality
  • Robotik: Steuerungsalgorithmen, Simulationstechnik



• Anwendungsbezogene Forschung

  • Intelligente Assistenzsysteme / Virtuelle Assistenten: Digitale Medizin
  • Informationsgewinnung (Wissens-, Datenmanagement und -Analyse): Entscheidungsunterstützung