header_image

Bayessche Datenanalyse und AL/AI-Methoden (DAAL)

Die Arbeitsgruppe entwickelt moderne AL/ML/AI-basierte Bayesche Datenanalysemethoden zur Untersuchung von Nichtgleichgewichts- und Plasmaprozessen.
 

Die Arbeitsgruppe hat zwei Hauptarbeitsgebiete:

  • Das Forschungsfeld des 'aktiven Lernens' (active learning (AL)) liegt an der Schnittstelle der künstlichen Intelligenz ('artificial intelligence' (AI)) und des maschinellen Lernens ('machine learning' (ML)) sowie die
  • Untersuchung der Wechselwirkungen von energetischen und/oder reaktiven Atom- und Molekülspezies mit Oberflächen

Aktives Lernen:

Noch vor Kurzem wurde die Datenanalyse oft am Ende einer Messkampagne ansiedelt, quasi als letzter Schritt:
Die gesammelten Daten müssen abschließend ausgewertet werden.
Diese Perspektive hat sich inzwischen entscheidend gewandelt [1]: Um die Informationsgewinnung und die Informationsverdichtung (den eigentlichen 'Lernprozess') optimal zu gestalten ist eine dynamische Wechselwirkung mit dem zu untersuchenden System – anstatt einer rein passiven Messung – von entscheidender Bedeutung. Nur so können Informationen über kausale Strukturen gewonnen werden.
Im Rahmen dieses 'Active learning'-Forschungsansatzes liegt der Schwerpunkt auf der Bestimmung optimaler Experimentstrategien (Bayesian experimental design) für komplexe Computersimulationen oder echter physikalischer Experimente. Dabei werden neben modernen Methoden zur Quantifizierung von Unsicherheiten in komplexen
Simulationen auch selbstadaptierende ('lernende') Systeme verwendet, die selbständig auf Grundlage von Messdaten die Entscheidung für die vielversprechendste nächste Messung treffen. Dafür werden Methoden aus dem Bereich Künstliche Intelligenz und des Machine Learning, wie Markov-Modelle, Reinforcement Learning, neuronale Netze und azyklische Bayessche Netze verwendet und mit  numerischen Techniken wie sequentieller Optimierung, MCMC und Dimensionsreduktionsmethoden kombiniert.
In Zusammenarbeit mit der NMPP-Geometriegruppe werden daneben Surrogatmodelle entwickelt die physikalische Randbedingungen (wie etwa Positivität von Größen, Energiererhaltung) intrinsisch berücksichtigen.

Eng damit verbunden ist ein weiterer Forschungsschwerpunkt der Arbeitsgruppe, die Plasma-Material Wechselwirkung.

Das Plasma innerhalb eines Fusionskraftwerkes ist niemals perfekt eingeschlossen. Daher wechselwirken Teile des Plasmas mit den umgebenden Wänden und dies beeinflußt sowohl das Plasma als auch die Wandmaterialien. Das Verständnis der  Wechselwirkung von energetischen Partikeln (wie z.B. Wasserstoff oder Helium) mit Wandmaterialien (wie z.B. Wolfram oder Stahl) ist daher von entscheidender Bedeutung für die Planung und Auslegung von zukünftigen Fusionsexperimenten. Effekte wie die Zerstäubung oder die Erosion von Oberflächen, aber auch Teilchenimplantation und sogar Schichtwachstum können unter Plasmabelastung auftreten. Darüberhinaus verlaufen die meisten relevanten Prozesse weit außerhalb des thermischen Gleichgewichts. Die Arbeiten der Gruppe versuchen die Grundlagen für ein quantitatives Verständnis der Wasserstoffrückhaltung in fusionsrelevanten Materialien sowie der Erosionsprozesse auf mikroskopischer und mesoskopischer Skala zu schaffen.
Insbesondere letztere sind auch für die Beschreibung der Verhältnisse am Plasmarand von hoher Bedeutung. Die Kollaboration mit anderen Arbeitsgruppen am IPP wie PMI, PBP und PCI sorgt für eine enge Vernetzung von Theorie und Experiment. Für die Forschungsaktivitäten wird eine große und kontinuierlich weiterentwickelte Sammlung von Codes verwendet, die u.a. Molecular Dynamics (MD), Diffusions-Reaktions-Modelle, Monte-Carlo (MC), Kinetic Monte Carlo (KMC) und Markov-Chain Monte-Carlo (MCMC), Algorithmen für inverse Probleme [2] und Uncertainty Quantification (UQ) [3] sowie Netzwerkmodelle umfassen.

 

Weitere Information zu Vorlesungen von Mitgliedern der Arbeitsgruppe DAAL finden sich hier.

 

Ausgewählte Publikationen:

von Toussaint, U.: Bayesian inference in physics. Review of Modern Physics 83, S. 943 - 999 (2011)
Linden, W. v. d.; Dose, V.; Toussaint, U. v.: Bayesian Probability Theory: Applications in the Physical Sciences. Cambridge University Press, Cambridge (2014), 649 S.
Smith, R. C.
Uncertainty Quantification. Theory, Implementation, and Applications
SIAM, Computational Science and Engineering Series, CS12 (2014)
Zur Redakteursansicht