Maschinelles Lernen für Hochdurchsatzverfahren und Mechatronik (ML4HOME)

Helmholtz-Programm (PoF IV): Natural, Artificial and Cognitive Information Processing (NACIP)
(BioInterfaces in Technology and Medicine (BIFTM), PoF III)

Die Arbeitsgruppe „Maschinelles Lernen für Hochdurchsatzverfahren und Mechatronik (ML4HOME)“ beschäftigt sich mit der Analyse von Daten, die automatisiert von mechatronischen Systemen in großem Umfang generiert werden. Hierzu gehören unter anderem automatisierte Mikroskope, Röntgen-Diffraktometer und autonome Fahrzeuge. Der Fokus liegt hierbei auf der Verallgemeinerung großer Datensätze bestehend aus vielen Datenpunkten (High-Throughput), deren Größe eine automatisierte Datenauswertung zwingend erfordert.

Ziel ist es, Zusammenhänge oder Auffälligkeiten in den großen Datenmengen (Bilddaten, Messwerte) zu erkennen, um automatisiert Experimente auszuwerten, Systemzustände zu prädizieren oder Rückmeldung über inkonsistente Messungen zu geben. Alle Ergebnisse werden anschließend anschaulich aufbereitet.

Die entwickelten Methoden werden oftmals in Softwaretools gekapselt, mit denen fachfremde Anwender die eigenen Daten selbst auswerten können. Zur Modellierung kommen in Python scikit-learn, PyTorch und TensorFlow zum Einsatz, einfache Routinen werden in MATLAB umgesetzt.