Der IMS Lehrstuhl an den Applied Machine Learning Days
Prof. Fink hielt einen Vortrag mit dem Titel "Hybrid operational digital twins for complex systems: integrating deep learning algorithms with structural inductive bias and physics"
Deep-Learning-Algorithmen benötigen große Mengen an repräsentativen Daten, um relevante Muster zu lernen. Obwohl in letzter Zeit immer mehr Zustandsüberwachungsdaten für komplexe Systeme gesammelt werden, fehlt es diesen Daten an Kennzeichnungen (in Form von Fehlern) und oft auch an Repräsentativität aufgrund der hohen Variabilität der Betriebsbedingungen. Die Integration von Physik und struktureller induktiver Verzerrung hilft, einige der Einschränkungen von Deep-Learning-Algorithmen zu überwinden. Sie reduziert die Menge der erforderlichen Trainingsdaten, erhöht die Interpretierbarkeit der Algorithmen und macht einige der Probleme lösbar, die zuvor nicht lösbar waren. Außerdem wird das Vertrauen in die Algorithmen gestärkt, indem die Ergebnisse interpretierbar gemacht werden.