ADIMEM – Automatische, datengetriebene Inferenz in mechanistischen Modellen

Ziel des Projekts ADIMEM ist es, Algorithmen zur Anpassung mechanistischer Modelle auf Messdaten zu entwickeln, um so die überlegende Interpretierbarkeit dieser Modelle mit der Leistungsfähigkeit des maschinellen Lernens zu kombinieren. Die entwickelten Algorithmen sollen automatisch die Parameter eines Simulations-Modells bestimmen, die sowohl mit empirischen Daten als auch mit dem Vorwissen konsistent sind. Die resultierenden Modelle werden Einblicke in die zugrunde liegenden Mechanismen geben und in der Praxis zu robusten und interpretierbaren Vorhersagen führen. Die zu entwickelnden Lösungen basieren auf der Nutzung Bayesscher Methoden (Alternative zur klassischen Statistik) zur Abschätzung und Interpretation von Modellparametern und ihrer Wertebereiche über Wahrscheinlichkeitsverteilungen.

Die Leistungsfähigkeit der ADIMEM-Methoden soll in zwei exemplarischen Anwendungen demonstriert werden: Einerseits soll gezeigt werden, wie einzelne Nervenzellen in der Netzhaut des Auges visuelle Informationen verarbeiten und andererseits soll untersucht werden, wie große Netzwerke in der Großhirnrinde Muster klassifizieren können. Die Demonstration der Methoden in diesen zwei Fragestellungen kombiniert technologische Entwicklung mit wissenschaftlichem Fortschritt und wird bessere Einblicke in adaptive Informationsverarbeitung in biologischen, neuronalen Netzen erlauben. Die ADIMEM-Methoden werden auf eine Vielzahl von numerischen Simulations-Modellen anwendbar sein, wie sie beispielsweise in der Klimaforschung, der Infektionsforschung oder im Fahrzeugbau eine Rolle spielen. Die Softwarelösungen sollen es Anwendern ermöglichen, ihre Simulationsmodelle auf hochdimensionale Messdatensätze anzupassen.

Quelle: Lernende Systeme – Plattform für künstliche Intelligenz