ADIMEM

Automatische, daten-getriebene Inferenz in mechanistischen Modellen

01.08.2018 bis 31.07.2021

Verfahren des Maschinellen Lernens (ML) ermöglichen es, in komplexen Daten statistische Muster zu erkennen und daraus Vorhersagen abzuleiten. Moderne ML-Ansätze basie- ren auf flexiblen und effizienten Modellen, wie vielschichtigen neuronalen Netzen (deep neural nets, DNNs) oder nicht-parametrischen Regression- und Klassifikationsmodellen (z.B. Kern-Methoden). Allerdings sind diese Modelle oft schwer interpretierbar und geben nur bedingt Einblick in die zugrundeliegenden Prozesse („black-box“). Dies liegt daran, dass solche Modelle häufig extrem viele Parameter haben und diese Parameter keine physi- kalische Interpretation zulassen, da sie lediglich die Statistik der Daten abbilden. Da die zugrundeliegenden Modell-Annahmen implizit sind, ist es in der Praxis oft schwierig, die Zulässigkeit der Annahmen zu verifizieren, und daraus entstehende Fehler zu identifizieren. Vorwissen, beispielsweise über die physikalische Struktur des Systems, ist nur schwer zu integrieren.
Dem gegenüber stehen klassische wissenschaftliche Modelle und Simulationen: Anhand von Expertenwissen wird ein spezifisches Modell der Dynamik und Struktur des zugrunde- liegenden Prozesses erstellt, oft unter der Verwendung von physikalischen Prinzipien. Diese Modelle sind oft gut interpretierbar, z.B. weil ihre Parameter direkt messbaren physikalischen Größen entsprechen. Solche interpretierbaren, mechanistischen Modelle sind für viele Pro- zesse in Wissenschaft und Industrie verfügbar. Allerdings ist es oft schwer, diese Modelle mit hoch-dimensionalen, heterogenen Daten in Einklang zu bringen: Welche Parameter und Fehler-Modelle eines mechanistischen Modells sind konsistent mit Beobachtungsdaten, und führen in der Praxis zu genauen und robusten Vorhersagen? Konventionelle Verfah- ren basieren auf heuristischen Ansätzen oder vereinfachenden Annahmen und erfordern einen hohes Maß an Expertenwissen. Selbst wenn die Vorhersagen qualitativ klassischer
1
Modellierung besser interpretierbar sind, so sind ML-Techniken oft in ihrer Vorhersagekraft quantitativ überlegen.
ADIMEM hat das Ziel, statistische Methoden bereitzustellen welche es möglich ma- chen die Leistungsfähigkeit des Maschinellen Lernens mit der Interpretierbarkeit klassischer Modellierung zu kombinieren. Die zu entwickelnden Methoden werden kom- plexe mechanistische Modelle und Simulationen mit hoch-dimensionalen Daten verbinden, und Einblicke in die zugrundeliegenden Prozesse ermöglichen. Diese Methoden beruhen auf modernen Methoden der probabilistischen Numerik und der likelihood-freien statistischen Inferenz.
Die ADIMEM-Methoden werden flexibel auf eine Vielzahl von Modellen in Wissenschaft, Wirtschaft und Technik anwendbar sein, verlangen von Anwendern nur begrenzt Vorkennt- nisse, und liefern quantitative Fehlerabschätzungen. In ADIMEM wird zugängliche Software entwickelt werden, die Anwendern aus Wissenschaft und Wirtschaft automatische Inferenz auf ihren eigenen Simulationen ohne Implementierungshürden ermöglichen wird.
Die Leistungsfähigkeit der Methoden wird durch Anwendung auf zwei exemplarische Fragen der biophysikalischen Modellierung biologischer neuronaler Netze demonstriert werden: Modellierung einzelner Zellen der Netzhaut und Simulationen der Großhirnrinde. Diese Kon- kretisierung ermöglicht direkte Evaluation der Methodologie und kombiniert technologische Entwicklung mit wissenschaftlichem Fortschritt.