Physik
Der interdisziplinäre Forschungsbereich Physik am Lamarr-Institut zielt darauf ab, unser Verständnis der Natur durch den Einsatz anspruchsvoller mathematischer Verfahren und Methoden des Maschinellen Lernens zu verbessern. Die Forschung am Lamarr-Institut entwickelt anwendungsorientierte Algorithmen des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) auf höchstem Qualitätsniveau, mit herausragender Leistung, Vertrauenswürdigkeit und Ressourceneffizienz. Die drei universellen Dimensionen eines Problems – Daten, Kontext und Domänenwissen – sollen unter dem Stichwort „Triangular AI“ in jedem Lösungsansatz berücksichtigt werden.
Die physikalische Welt verstehen
Anwendungen in der Physik bilden aus verschiedenen Gründen einen hervorragenden Hintergrund für die Weiterentwicklung von Techniken des Maschinellen Lernens und der Künstlichen Intelligenz. Der vielleicht wichtigste Punkt ist, dass in der Physik in der Regel viele Jahre Arbeit in die Erstellung der numerischen Darstellungen von Theorien und Modellen, den so genannten Monte-Carlo-Simulationsalgorithmen, investiert werden, um die Messprozesse in einem Experiment zu beschreiben. Dabei werden die Wahrscheinlichkeiten berechnet, die die in der Physik gesuchten Klassifikationen oder Regressionen mit den gemessenen Daten, zum Beispiel den von einer Kamera erfassten Signalen, verbinden. Es gibt also eine hochpräzise virtuelle Realität, die sowohl zur Optimierung des Versuchsaufbaus als auch zum Training und zur Bewertung aller Algorithmen des Maschinellen Lernens verwendet werden kann. Simulationstechniken und Maschinelles Lernen ergänzen sich also gegenseitig und helfen uns, die physikalische Welt besser zu verstehen.
Optimale Nutzung von Daten aus Experimenten
Die Anpassung von Algorithmen des Maschinellen Lernens an experimentelle Daten ist ein Eckpfeiler von Anwendungen in der Physik. In unserer Forschung am Lamarr-Institut wollen wir a priori bekanntes Domänenwissen in den Prozess des Maschinellen Lernens einbeziehen, so dass wertvolle Daten nicht dafür verschwendet werden, bekannte Korrelationen erneut zu finden. Umgekehrt wollen wir generalisierbares Wissen aus dem maschinellen Lernprozess für die Modellbildung extrahieren.
Die Aufgaben, die im Rahmen der physikalischen Experimente zu lösen sind, beinhalten die Echtzeitverarbeitung riesiger Datenmengen, typischerweise mehrere Petabytes pro Jahr. Dies kann in speziellen Forschungslabors wie dem CERN erforderlich sein, wird aber manchmal auch an exotischen Orten wie dem geografischen Südpol benötigt, der nicht nur theoretisch, sondern auch praktisch in jeder Hinsicht extrem ressourcenbeschränkt ist.
Um die sehr wertvollen experimentellen Daten effizient nutzen zu können, müssen die entwickelten Algorithmen in ihrer Vorhersagegenauigkeit höchsten Qualitätsansprüchen genügen und gleichzeitig die Unsicherheit, mit der die Vorhersagen behaftet sind, abschätzen. Bei diesem Ansatz geht es weniger um die Frage, ob ein Algorithmus für die Beantwortung einer bestimmten Frage vertrauenswürdig ist – was sich zeigen lässt –, sondern vielmehr darum, welche Qualitätskriterien er in welchem Maße erfüllt.
Interdisziplinäre Zusammenarbeit
Im interdisziplinären Forschungsbereich der Physik wollen wir mathematische Methoden zur Simulation physikalischer Modelle und Messverfahren weiter erforschen. Wir werden den Einsatz von Algorithmen des Maschinellen Lernens für eine optimale, ressourceneffiziente Datenerfassung und -analyse weiter untersuchen. Diese exemplarischen Anwendungen sollen zu Kristallisationspunkten für die Zusammenarbeit zwischen Physikern und Datenwissenschaftlern werden. Darüber hinaus bilden diese Techniken und Verfahren auch die Grundlage für die Entwicklung von Algorithmen des Maschinellen Lernens und von auf Künstlicher Intelligenz basierenden Lösungen für industrielle und wirtschaftliche Anwendungen.
