ADIMEM

Automatische Daten-Getriebene Inferenz in Mechanistischen Modellen

01.08.2018 bis 31.07.2021

Maschinelles Lernen erlaubt es, in komplexen Daten Muster zu erkennen. Derzeit populäre Verfahren basieren auf generischen, unstrukturierten Modellen, deren inhärente Annahmen in der Anwendung unerwartete Effekte haben können. Eine Alternative sind klassische physikalische Modelle, die mit Hilfe von Expertenwissen die Dynamik und Struktur eines Systems mechanistisch abbilden. Solche Modelle sind interpretierbarer, aber es ist oft schwierig, ihre Parameter auf empirische Daten anzupassen. Ziel des Projektes ist, die Leistungsfähigkeit des Maschinellen Lernens mit der Interpretierbarkeit klassischer Modellierung zu kombinieren. Unsere Methoden werden komplexe mechanistische Modelle und Simulationen mit hoch-dimensionalen Daten verbinden, und Einblicke in die zugrundeliegenden Prozesse ermöglichen. Der geplante Ansatz ist flexibel anwendbar auf eine Vielzahl von Modellen in Wissenschaft, Wirtschaft und Technik, und verlangt von Anwendern nur begrenzt Vorkenntnisse. Das Projekt konzentriert sich auf zwei exemplarische Fragen der biophysikalischen Modellierung biologischer neuronaler Netze: Modellierung einzelner Zellen der Netzhaut und Simulationen der Großhirnrinde. Diese Konkretisierung ermöglicht direkte Evaluation der Methodologie und kombiniert technologische Entwicklung mit wissenschaftlichem Fortschritt. Es ist beabsichtigt öffentlich zugängliche Software zu entwickeln, die Anwendern automatische Inferenz auf ihren eigenen Modellen und Simulationen ohne Implementierungshürden ermöglicht.