Die Bewältigung der Herausforderungen des maschinellen Lernens erfordert die Auswahl des richtigen Algorithmus und das Verständnis verschiedener Daten, von numerischen Werten wie chemischen Formulierungen bis hin zu komplexen Einheiten wie FEM-Simulationen oder 3D-Materialeigenschaften.

Der DIM-GP-Algorithmus (Deep Infinite Mixture of Gaussian Processes) begegnet dieser Herausforderung, indem er es Benutzern, selbst solchen mit begrenztem Fachwissen, ermöglicht, eine Vielzahl fortgeschrittener technologischer Probleme effizient anzugehen. Im Gegensatz zu anderen Algorithmen ist DIM-GP darauf ausgelegt, große Datensätze mit minimalen Hardwareanforderungen zu verarbeiten. Seine bemerkenswerte Fähigkeit liegt jedoch in der Konstruktion hochpräziser Modelle aus begrenzten Datenpunkten – ein wesentliches Merkmal angesichts der hohen Kosten und der Knappheit realer Experimente und Simulationen.

Als Ergänzung zu DIM-GP wurde eine Reihe von Algorithmen für optimiertes Experimentieren, effiziente Optimierung und Sensitivitätsanalyse nahtlos in das Stochos-Softwarepaket integriert. Diese Integration gewährleistet eine kohärente Zusammenarbeit von Algorithmen und erweitert gemeinsam die Grenzen dessen, was in diesem Bereich erreichbar ist.