Generierung von Zeitreihen mit tiefen neuronalen Netzwerken unter Berücksichtigung von Expertenwissen

• Antragstellerin: Professorin Dr. Sophie Fellenz
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Datensätze in der chemischen Verfahrenstechnik sind kostspielig zu produzieren und nicht öffentlich verfügbar. Generative Modelle, die auf tiefen neuronalen Netzen basieren, wurden überwiegend für Bild- und Textdaten entwickelt. Im Bereich der Zeitreihendaten, wo vergleichsweise wenige Daten verfügbar sind, ist es schwierig, realistische synthetische Daten zu generieren. Es ist besonders wichtig, Daten in diesen Bereichen zu generieren, da dies die Entwicklung von Methoden ermöglichen würde, die auf größeren Datensätzen beruhen. Dafür müssen dem neuronalen Netzwerk zusätzliche Informationen zur Verfügung gestellt werden, die in der Form von externem Wissen vorliegen. Wissen kann unterschiedliche Formen annehmen. In der chemischen Verfahrenstechnik werden Projekt B1 und B2 uns Domänenwissen bereitstellen: Die Struktur der chemischen Anlagen, die Eigenschaften von chemischen Verbindungen und mathematische Gleichungen, welche die physikalischen Eigenschaften, Randbedingungen und die Entwicklung des Systems über die Zeit hinweg mit Differenzialgleichungen beschreiben. Dieses Projekt wird verschiedene Formen von Domänenwissen mit Techniken des maschinellen Lernens integrieren, um realistische Zeitreihen für die chemische Verfahrenstechnik zu generieren. Projekt A1 und A3 werden diese zusätzlichen Daten verwenden, um Methoden des maschinellen Lernens für Zeitreihendaten zu entwickeln. Projekt A2 wird unsere Methoden verifizieren. Die kontrollierte Generierung von Daten wird es den Projekten B1 und B2 ermöglichen, Modellvorhersagen mit möglichen experimentellen Ergebnissen zu vergleichen.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5359: KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten