AI-Quadrat

Abstract

Das Projekt „AI-Quadrat” zielte darauf ab, Methoden des maschinellen Lernens (ML) für die Atominterferometrie zu entwickeln und anzuwenden. Dabei wurden vier Hauptziele verfolgt: Anomalie-Detektion: Es wurden Methoden entwickelt, um Anomalien im experimentellen Verhalten zu detektieren. Einerseits können damit Störungen des Experiments wie defekte Bauteile identifiziert werden. Andererseits können Ausreißer aus Trainingsdaten entfernt werden, um die Genauigkeit von ML-Modellen zu verbessern und somit eine Optimierung der experimentellen Einstellungen zu ermöglichen. Intelligente Optimierung: Es wurde eine ML-Architektur entwickelt, die sowohl Steuer- als auch Umgebungsparameter einbezieht, um den Betrieb von Atominterferometern unter variierenden Bedingungen automatisch anzupassen. Globales Systemverhalten: Mithilfe einer Mehrzieloptimierung mit Randbedingungen kann das Verhalten komplexer Experimente mit mehreren Optimierungszielen erlernt werden, wobei technische Randbedingungen, wie beispielsweise eine Maximaltemperatur, erfüllt werden. Deep-Learning-Architektur: Es wurde eine Architektur von Ensemblen neuronaler Netze entwickelt und erforscht, die das Erlernen komplexen Systemverhaltens auf Basis sehr vieler Trainingsdaten ermöglicht. Die Ergebnisse zeigten eine signifikante Steigerung der Effizienz, insbesondere durch die neu entwickelte „physikalisch informierte Bayes’sche Optimierung“, die weniger Iterationen benötigt und bessere Ergebnisse liefert als herkömmliche Methoden. Die Anwendbarkeit der Methoden konnte auch in anderen Bereichen, wie der Optimierung von Perowskit-Solarzellen, nachgewiesen werden. Das Projekt wurde erfolgreich abgeschlossen und es gab mehrere Veröffentlichungen sowie Präsentationen auf internationalen Konferenzen.