Die Herausforderungen des maschinellen Lernens setzen die richtige Auswahl der eingesetzten Algorithmen voraus in Zusammenhang mit den unterschiedlichsten Daten , von numerischen Werten wie chemischen Formulierungen oder genetischer Modellierung bis hin zu komplexen FEM-Simulationen oder 3D-Materialeigenschaften.

Unser Algorithmus „Deep Infinite Mixture of Gaussian Processes“ (DIM-GP) begegnet dieser Herausforderung, indem er dem Domain-Experten ermöglicht, eine Vielzahl anspruchsvoller technologischer Probleme effizient zu lösen. Im Gegensatz zu klassischem ML wurde DIM-GP dafür entwickelt, große Datensätze mit minimalen Hardwareanforderungen zu verarbeiten. Der größte Mehrwert liegt jedoch in der Konstruktion hochpräziser Modelle aus begrenzten Datenpunkten – eine wesentlicher Vorteil angesichts langer und energieintensiver Berechnungzeiten sowie hoher Kosten von realen Experimente und Simulationen.

In Ergänzung zu DIM-GP wurden eine Reihe von Algorithmen zum optimierten Versuchsaufbau, der Effizienzoptimierung oder Sensitivitätsanalyse nahtlos in unserem Softwarepaket STOCHOS© integriert. Dies gewährleistet eine kohärente Zusammenarbeit der einzelnen Algorithmen, welche nachweislich die Grenzen dessen versetzen, was gemeinhin als Stand der Technik angesehen wird.