Physics-Informed Machine Learning

Die Grundidee des Maschinellen Lernens besteht darin, dass ein künstliches System anhand von Mustern und Zusammenhängen in Daten lernt. Dieser Ansatz hat sich in den letzten Jahren, vor allem durch Entwicklungen im Bereich Deep Learning, als sehr wichtig herausgestellt. Allerdings wird für das Trainieren von ML-Modellen eine große Menge an Daten benötigt. Diese steht im Produktionsumfeld häufig nicht zur Verfügung, da das Aufnehmen und Annotieren von Daten hier in der Regel sehr zeitintensiv und teuer ist.

Ein Ansatz, um diesem Problem zu begegnen, ist, Maschinelles Lernen mit vorhandenem Wissen zu kombinieren. Insbesondere in der Produktion existiert häufig bereits Vorwissen über das zu lösende Problem. Dabei kann es sich z.B. um analytische Modelle zur Beschreibung von Systemen und Prozessen, um Simulationen von einzelnen Prozessen bis zu ganzen Fabriken, um regelbasierte Systeme oder auch um Erfahrungswissen der Mitarbeiterinnen und Mitarbeiter handeln.

Der Forschungsbereich »Physics-Informed Machine Learning« konzentriert sich dabei auf die Fragestellung, wie sich Vorwissen in Form physikalischer Gesetze und Gleichungen mit Maschinellem Lernen kombinieren lässt. Durch die Nutzung dieses Vorwissens lässt sich der Suchraum deutlich einschränken und das Training von ML-Modellen so um ein vielfaches effizienter gestalten. Dies ermöglicht genauere und robustere Vorhersagen des Modells und reduziert die benötigte Datenmenge oft beträchtlich.