idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instanz:
Teilen: 
15.06.2021 14:00

Schnellerer Weg zu synthetischen Daten gesucht

Dr. Thomas Zoufal Presse- und Öffentlichkeitsarbeit
Deutsches Elektronen-Synchrotron DESY

    Helmholtz-Gemeinschaft fördert Projekt zur Datengewinnung mittels neuronaler Netzwerke

    Neben experimentellen Daten wird in der physikalischen Grundlagenforschung auch mit synthetisch erzeugten Daten gearbeitet. Deren Gewinnung mit aktuell verfügbaren Simulationsmethoden ist jedoch zeitintensiv und bindet immense Rechnerkapazitäten. Ein neues Projekt von DESY, Helmholtz-Zentrum Dresden-Rossendorf und dem Zentrum für datenintensive Systemforschung CASUS am HZDR erprobt einen Ansatz, mit dem Daten zum Verhalten von physikalischen Systemen mittels neuronaler Netze schneller erzeugt werden können. Das Projekt „SynRap“ wurde in einem Wettbewerbsverfahren zur Förderung ausgewählt.

    Die 15 Gewinnerteams erhalten über Helmholtz AI, der Kooperationseinheit der Helmholtz-Gemeinschaft zum Thema Künstliche Intelligenz, in den kommenden Jahren insgesamt 6,2 Millionen Euro.

    Synthetische Daten sind am Computer algorithmisch erzeugte Daten. Sie werden zum Beispiel für das Testen von Software oder die Weitergabe von anonymisierten personenbezogenen Daten genutzt. Das Trainieren von Algorithmen des maschinellen Lernens ist ein weiteres wichtiges Einsatzgebiet. Hier werden synthetische Daten insbesondere zum Trainieren jener Algorithmen benötigt, die zu den tiefen neuronalen Netzen („deep neural networks“) zählen. „Diese Algorithmen müssen mit besonders großen Datensätzen angelernt werden, damit bei der Analyse der experimentellen Daten akkurate Ergebnisse erzielt werden“, erklärt Dr. Isabell Melzer-Pellmann, Gruppenleiterin bei DESY. Aktuell werden diese Trainingsdaten mit komplexen numerischen Simulationsmethoden aus zum Beispiel der Quantenmechanik erzeugt. Dieses Vorgehen ist allerdings rechenintensiv und nimmt viel Zeit in Anspruch.

    Eine schnellere Alternative wird nun im Rahmen des Projekts „SynRap – Auf maschinellem Lernen basierende Generierung synthetischer Daten für die schnelle Modellbildung in der Physik“ erforscht. Das Ziel von Melzer-Pellmann und ihren Mitstreitern Dr. Dirk Krücker vom DESY, Dr. Attila Cangi vom CASUS (Center for Advanced Systems Understanding, Görlitz) und Dr. Nico Hoffmann vom HZDR-Institut für Strahlenphysik ist es, den Prozess der Erzeugung großer Mengen synthetischer Daten um den Faktor 1.000 zu beschleunigen. Dafür will das Team eine Toolbox von für diesen Zweck geeigneten Algorithmen des maschinellen Lernens zusammenstellen. Diese Algorithmen werden aus einer bestimmten Untergruppe der neuronalen Netzwerke stammen. In Abgrenzung zu den tiefen neuronalen Netzwerken wird diese als stellvertretende neuronale Netzwerke beziehungsweise Ersatzmodelle neuronaler Netzwerke („surrogate neural networks“) bezeichnet.

    Ob die Qualität der derart erzeugten Datensätze stimmt, soll anhand je einem Beispiel aus der Hochenergiedichtephysik und der Hochenergiephysik überprüft werden. Im Bereich der Hochenergiedichtematerie geht es um die Zusammensetzung des Inneren von Planeten und Sternen, aber auch um Fragen angewandter Forschung wie der Bearbeitung von Materialien mit starken Lasern. Die Hochenergiephysik erforscht indes grundlegende Fragen zur Natur unseres Universums: Woraus besteht Materie? Welche Gesetze bestimmen Wechselwirkungen der Bestandteile der Materie?

    Ein Werkzeugkasten – viele Einsatzgebiete

    „Die Besonderheit unseres Projektes ist es, dass unser Werkzeugkasten von verschiedenen neuronalen Netzwerken letztendlich in vielen Forschungsgebieten Verwendung finden soll“, erläutert Cangi. Daher wird bei der Entwicklung der Software-Tools der Bedarf anderer Naturwissenschaften berücksichtigt. „Die interdisziplinäre Natur von CASUS ermöglicht es uns, unsere Arbeit immer auch an typischen Nutzungsszenarien aus den Umweltwissenschaften oder der Systembiologie zu orientieren“, fährt Cangi fort.

    Die Helmholtz-Kooperationseinheit zur Künstlichen Intelligenz (Helmholtz AI) stärkt die Anwendung und Entwicklung von angewandter künstlicher Intelligenz (engl. artificial intelligence, AI) und maschinellem Lernen. Das Expertenpanel wählte insbesondere jene Forschungsprojekte des Wettbewerbs aus, bei denen ein hoher Erkenntnisgewinn in Aussicht steht. Allerdings gelten solche Projekte auch als besonders riskant. Es muss also damit gerechnet werden, auf unlösbare Probleme zu stoßen und das erklärte Projektziel nicht zu erreichen. Im Rahmen der aktuellen Ausschreibungsrunde vergibt die Helmholtz-Gemeinschaft insgesamt 6,2 Millionen Euro. Bei der ersten Ausschreibung der Helmholtz-AI-Projekte vor einem Jahr wurden 19 Vorhaben mit insgesamt 7,2 Millionen Euro bedacht.


    Wissenschaftliche Ansprechpartner:

    Dr. Michael Bussmann | Gründungsbeauftragter
    Center for Advanced Systems Understanding (CASUS) am HZDR
    +49 3581 375 2311, +49 351 260 2616 | m.bussmann@hzdr.de

    Dr. Attila Cangi
    Center for Advanced Systems Understanding (CASUS) am HZDR
    +49 3581 375 23 52 | a.cangi@hzdr.de

    Dr. Nico Hoffmann
    Institut für Strahlenphysik,HZDR
    +49 351 260 3668 | n.hoffmann@hzdr.de

    Dr. Dirk Krücker
    DESY
    +49 40 8998 3749 | dirk.kruecker@desy.de

    Dr. Isabell Melzer-Pellmann
    Leiterin der DESY-CMS (Compact Muon Solenoid)-Gruppe, DESY
    +49 40 8998 2489 | isabell.melzer@desy.de

    Prof. Dr. Ulrich Schramm | Direktor
    Institut für Strahlenphysik, HZDR
    +49 351 260 2471 | u.schramm@hzdr.de


    Weitere Informationen:

    http://www.casus.science/de-de/ Webseite CASUS
    http://www.helmholtz.ai/ Helmholtz-AI-Webseite


    Bilder

    Ersatzmodelle neuronaler Netze in der Hochenergiephysik: Der Einsatz von neuronalen Netzwerken könnte das sehr rechenintensive Erstellen synthetischer Datensätze mit allen physikalischen Randbedingungen in der Hochenergiephysik deutlich beschleunigen.
    Ersatzmodelle neuronaler Netze in der Hochenergiephysik: Der Einsatz von neuronalen Netzwerken könnt ...

    © CASUS/2021 CMS Collaboration


    Merkmale dieser Pressemitteilung:
    Journalisten
    Informationstechnik, Physik / Astronomie
    überregional
    Forschungsprojekte, Kooperationen
    Deutsch


     

    Ersatzmodelle neuronaler Netze in der Hochenergiephysik: Der Einsatz von neuronalen Netzwerken könnte das sehr rechenintensive Erstellen synthetischer Datensätze mit allen physikalischen Randbedingungen in der Hochenergiephysik deutlich beschleunigen.


    Zum Download

    x

    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).