Was haben 3 dunkle Gestalten in Stuttgart unter der Erdoberfläche zu schaffen?
Auf das engagierte und clevere Detective Duo Samantha Sim und Tony Tech wartet ein neuer Fall: Wurden etwa die Thermalquellen in Stuttgart vergiftet? Sind diese noch zu retten und können auch diesmal die Wissenschaftler*innen des Exzellenzclusters helfen, den Fall zu lösen?
Das Video entstand in Zusammenarbeit mit der Storz Medienfabrik GmH.
Die Forschung zur 4. Folge
Im Fokus dieser Folge steht die Forschung von Wolfgang Nowak, Timothy Praditia, Nils Wildt, Stefania Scheurer und Sergey Oladyshkin von aktuell oder ehemals SimTech und Matthias Karlbauer vom Tübinger ML Cluster.
Ihre Forschung findet sich in den Projekten PN5-6 sowie dem Nachfolgeprojekt PN5-6 (II) und Projekt PN5-11 wieder.
Wissenschaftliche Modelle spielen eine wichtige Rolle in vielen technischen Erfindungen, die uns den Alltag erleichtern. Wir nutzen sie, um einfache Entscheidungen zu treffen, zum Beispiel welche Kleidung wir bei welchem Wetter anziehen. Aber auch komplexere Probleme wie die Bewertung von Umweltauswirkungen von Industrieabfällen zählen hierzu.
Bestehende wissenschaftliche Modelle sind jedoch bedingt durch unser begrenztes Verständnis komplexer physikalischer Systeme unvollkommen. Infolge des raschen Anstiegs der Rechenleistung in den letzten Jahren hat das Interesse an datengetriebenen Modellen zugenommen, um aktuelle Modelle zu verbessern und fehlende wissenschaftliche Erkenntnisse zu ergänzen. Ansätze des maschinellen Lernens (ML) sind hier sehr nützlich, wenn es darum geht, Beobachtungsdaten zu nutzen, um neue Erkenntnisse über ein natürliches System zu gewinnen. Sie erfordern jedoch eine beträchtliche Menge an Daten, die oft teuer und schwer zu beschaffen sind.
Wenn nur wenige Daten verfügbar sind, bietet das von Praditia et al. [2022] vorgeschlagene FINN-Modell (Finite Volume Neural Network) eine bessere Lösung, um vorhandene Daten effektiv zu nutzen und daraus zu lernen.
Ein besseres Verständnis komplexer Hydrosystemprozesse ist der Schlüssel zum Fortschritt in der Wasserressourcenforschung. Dennoch leidet die konventionelle Art der Modellierung dieser Prozesse unter einer hohen konzeptionellen Unsicherheit, die auf die fast allgegenwärtigen vereinfachenden Annahmen bei der Parametrisierung der Modelle zurückzuführen ist. Modelle des maschinellen Lernens (ML) werden als mögliche Alternative betrachtet, aber ihre Verallgemeinerungsfähigkeiten bleiben begrenzt. Zum Beispiel gelingt es ihnen in der Regel nicht, genaue Vorhersagen für unterschiedliche Randbedingungen zu treffen. Darüber hinaus tragen sie als Blackbox nicht zu unserem Prozessverständnis oder zur Entdeckung verbesserter Parametrisierungen/Schließungen bei. Um dieses Problem zu lösen, wird das hybride Modellierungssystem FINN (Finite Volume Neural Network) vorgeschlagen. Es verbindet bestehende numerische Methoden für partielle Differentialgleichungen (PDEs) mit den Lernfähigkeiten künstlicher neuronaler Netze (ANNs).
Citation: Praditia, T., Karlbauer, M., Otte, S., Oladyshkin, S., Butz, M. V., & Nowak, W. (2022). Learning groundwater contaminant diffusion-sorption processes with a finite volume neural network. Water Resources Research, 58, e2022WR033149. https://doi.org/10.1029/2022WR033149