Motivation
Trotz der Fortschritte im Bereich des Maschinellen Lernens sind noch viele Herausforderungen offen, z.B. das Verhalten komplexer dynamischer Systeme vorherzusagen. Um die zeitliche Entwicklung von Klimasituationen oder Strompreisen vorherzusagen, sollten eventuelles Vorwissen in die Struktur eines Neuronalen Netzwerks (NN) einfließen können und die Effekte, die es nach sich zieht, leicht nachvollziehbar sein. Dies sollte auch dann noch gelten, wenn sich Unsicherheiten oder stetige Anpassungen der Ausgangsdaten überlagern. Große NNs, die eine entsprechende Künstliche Intelligenz (KI) implementieren, mit einer ausreichenden Zahl an Parametern erscheinen hier zunächst geboten, verschleiern aber oft den Zusammenhang zwischen Ursache und Wirkung.
Ziele und Vorgehen
Im Projekt FEAT verfolgt eine KI-Nachwuchsgruppe der Uni Tübingen in Zusammenarbeit mit dem DLR das Ziel, einen modularen NN-Aufbau aus mehreren unabhängigen Netzen anhand eines Anwendungsproblems aus der Energieforschung umzusetzen. Dabei sollen Strompreise innerhalb des Energiemarktmodells AMIRIS vorhergesagt werden. Übergeordnetes Ziel ist dabei, flexible und robuste NN-Architekturen zu entwerfen, deren Arbeitsweise erklärbar ist und die sich gegen die Unsicherheiten aus verschiedenen Datenquellen präzise kalibrieren lassen. Mit den Daten aus AMIRIS kann dann genau nachvollzogen werden, ob – und vor allem warum – Unsicherheiten der Vorhersage der neuronalen Architektur das Anwendungsproblem realistisch wiedergeben.
Innovationen und Perspektiven
Das Projekt strebt primär den Erkenntnistransfer zu Forschenden in den Bereichen Maschinelles Lernen und Energieforschung an. Hierfür wird ein freier Zugang zu den erarbeiteten Modellen, Daten und Ergebnissen gewährt. Die Ergebnisse lassen sich jedoch prinzipiell weit über das spezifische Beispiel eines agentenbasierten regulatorischen Netzwerks hinaus als komplexes dynamisches System anwenden.