Motivation
Lebewesen, Objekte und Partikel können sich bewegen. Der Pfad dieser Bewegung wird auch als „Trajektorie“ bezeichnet. Dabei kann es sich um fließende aber auch stockende Abläufe handeln. Die Rekonstruktion von sogenannten Punkttrajektorien ist in vielen physikalischen oder biologischen Fragestellungen hochrelevant. So reichen Beispiele von der Rekonstruktion zerfallender Teilchen in der Physik, über das Verfolgen kleiner Partikel in Strömungen bis hin zur Rekonstruktion der Form eines Objekts aus der Beobachtung seiner Bewegung. Dabei stellen sich viele Herausforderungen wie Messungenauigkeiten oder kleine Datengrundlagen. Im Forschungsvorhaben TrackOpt soll deshalb die Vorhersagegenauigkeit von Methoden aus dem Maschinellen Lernen (ML) und Künstlicher Intelligenz (KI) weiter verbessert werden, um diese flexibler, robuster und effizienter zu gestalten.
Ziele und Vorgehen
In TrackOpt soll anhand dreier Anwendungsfelder ein resilientes Framework untersucht und erstellt werden, dass es ermöglicht, aktuelle Trackingprobleme flexibel zu integrieren und zuverlässig zu lösen. Konkret geht es um Teilchenphysik, Mikrofluidik und Mikroskopie. Um eine hohe Dateneffizienz und gleichzeitige Resilienz gegenüber Messfehlern zu erzielen, werden hierbei modellgetriebene Optimierungsprobleme, die es ermöglichen, Bedingungen an eine gültige Lösung im Sinne der biologischen oder physikalischen Fragestellung mit einzubeziehen, mit tiefen neuronalen Netzen integriert. So können die Stärken beider Ansätze neu kombiniert werden.
Innovationen und Perspektiven
Das Projekt erarbeitet eine wiederverwendbare und transdisziplinäre, modulare Software-Toolbox, die es auch Externen in vielen Forschungs- und Anwendungsgebieten ermöglichen soll, komplexe Trackingprobleme mit verschiedenartigen Randbedingungen eigenständig zu lösen. Diese soll der interessierten Öffentlichkeit als Open-Source Applikation zur Verfügung gestellt werden. Durch diesen breiten Ansatz wird eine hohe Nutzbarkeit und Transfer der Ergebnisse gewährleistet.