Motivation
Die Analyse von Zeitreihen, zum Beispiel bei Wetterdaten oder menschlichen Vitalfunktionen, hat mit Methoden der Künstlichen Intelligenz (KI) neue und mächtige Werkzeuge erhalten. Mit sogenannten Rekurrenten Neuronalen Netzen (RNN) kann das Verhalten eines Systems anhand vergangener Daten für die unmittelbare Zukunft zum Teil mit hoher Genauigkeit vorhergesagt oder Anomalien wie etwa Anzeichen von Herzrhythmusstörungen diagnostiziert werden – rein aus Zeitreihendaten, ohne ein explizites physikalisches Modell. Warum jedoch einige Algorithmen hier erfolgreicher sind als andere ist in großen Teilen immer noch eine „Black Box“, und die Forschung auf dem Gebiet ähnelt bisweilen nur Versuch-und-Irrtum-Strategien.
Ziele und Vorgehen
Auf mathematisch-numerischer Seite existiert eine Reihe von Ansätzen, um ein komplexes System, wie die „Wetterküche“ ihrem Wesen nach (z.B. langfristig eher periodisches oder chaotisches Verhalten) zu charakterisieren. Der entscheidende Gedanke in der KI-Nachwuchsgruppe „OIDLITDSM“ ist, ein neuronales Netz selbst als dynamisches System aufzufassen und in analoger Weise zu analysieren, um somit sein Verhalten erklärbar zu machen. Die Verbindung zwischen realer Dynamik und ihrer Nachahmung durch ein RNN soll dabei mit Hilfe der Methode der „Koopman-Operatoren“ hergestellt werden, ein bisher kaum verfolgter Ansatz.
Innovationen und Perspektiven
Perspektivisch ließe sich bereits während des Traingsprozesses der Algorithmus eines RNN systematisch mathematisch analysieren und optimieren. Andererseits lässt sich potentiell auch auf globaler Ebene – in Bezug auf das Langzeitverhalten – die Effektivität und Genauigkeit eines neuronalen Netzes beurteilen, mit der es sein reales Vorbild darstellt. Dies könnte in innovativen Ansätzen resultieren, neue interpretierbare Modellstrukturen zu identifizieren, die die Dynamik des realen Systems bestimmen, mit noch nicht absehbaren Anwendungen in den Finanz-, Neuro- oder Klimawissenschaften sowie medizinischer Diagnostik.