B7 (N): Bildung vergröberter Modelle mit Methoden des maschinellen Lernens

Ziel des Projektes ist die Evaluation der Anwendbarkeit von maschinellem Lernen auf Multiskalen-Simulationen von Systemen der weichen Materie. Dabei stehen Verfahren im Vordergrund, die mittels moderner „tiefer“ neuronaler Netze automatisch Repräsentationen von Daten auf verschiedenen Skalen aus Beispieldaten lernen können. Wir betrachten zwei Anwendungsszenarien: (i) Regressionsverfahren zur Approximation komplexer Wechselwirkungen am Beispiel einer nichtadditiven Wechselwirkung (Polarisation) und (ii) generative probabilistische Modelle. Bei letzteren wird das Problem des “backmappings” von einem vergröberten Modell auf das ursprüngliche höher auflösende Modell durch bedingte Wahrscheinlichkeiten beschrieben, deren Verteilung durch ein maschinelles Lernverfahren aus entsprechenden Beispielsimulationen gelernt wird.