Projekt 1: Datenbasierte Modellierung und Modellreduktion

Die „physikalische“ Modellierung realer Vorgänge wird seit Jahrhunderten betrieben. Zwar hat dank gestiegener Rechenkapazitäten die Komplexität der mittlerweile handhabbaren Systeme enorm zugenommen, dennoch klafft eine große Lücke zwischen modellier- bzw. simulierbaren Vorgängen und der Realität – die Realität ist oftmals schlicht zu komplex. Ein Lösungsansatz ist die datenbasierte Simulation. Aufgrund der verfügbaren riesigen Datenmengen (Big Data) hoffte man zunächst, damit die physikalischen Modelle ersetzen zu können. Das hat sich allerdings nicht bewahrheitet, u.a. aufgrund mangelnder Genauigkeit bzw. Robustheit. Daher wurden in den letzten Jahren begonnen, „physikalische“ und „datenbasierte“ Modelle zu koppeln: Ein physikalisches Modell soll datenbasiert mittels moderner Methoden des Maschinellen Lernens (ML) erweitert werden – das Modell wird mit Hilfe der Daten gelernt.
In diesem Projekt soll das Potenzial solcher Verfahren für reale Probleme untersucht und analysiert sowie anwendungsorientiert umgesetzt werden.

 

Erstbetreuer:

Prof. Dr. Karsten Urban, Institut für Numerische Mathematik, Universität Ulm

 

Tandempartner:

Prof. Dr. Stephan Schlüter, Technische Hochschule Ulm

 

Beratende Experten:

Prof. Dr. Henning Bruhn-Fujimoto, Institut für Optimierung und OR, Universität Ulm

Prof. Dr. Hans Kestler, Institut für Medizinische Systembiologie, Universität Ulm

Prof. Dr. Kathrin Stucke-Straub, Technische Hochschule Ulm