Mobile-Menu

KI Forscher entwickeln KI-Software für komplexe Daten

Quelle: Helmholtz-Zentrum Berlin Lesedauer: 1 min

Anbieter zum Thema

Sinequa
Helmholtz-Zentrum Berlin

Hochkomplexe Daten sind für den Menschen oft schwierig zu interpretieren, Zusammenhänge können deshalb nicht erkannt werden. Neuronale Netze sollen die Daten nun so komprimieren können, dass auch der Mensch sie versteht.

Disentangled variational autoencoder networks können ein zugrunde liegendes Kernprinzip ohne Vorkenntnisse aus Daten extrahieren.
Disentangled variational autoencoder networks können ein zugrunde liegendes Kernprinzip ohne Vorkenntnisse aus Daten extrahieren.
(Bild: kras99 - stock.adobe.com)

Das Helmholtz-Zentrum Berlin für Materialien und Energie HZB hat in einer Studie gezeigt, wie mithilfe von KI experimentelle Datensätze zunächst komprimiert und dann wieder rekonstruiert werden. Laut einer Mitteilung ermöglicht dies Einblicke in Zusammenhänge, die sonst nicht erkennbar wären. Die Software wurde erfolgreich für die Photonendiagnostik beim Freien Elektronenlaser Flash im Forschungszentrum Desy eingesetzt.

Die Forscher haben dafür eine neue Software entwickelt, die mit einer besonderen Klasse von neuronalen Netzen namens „disentangled variational autoencoder network (β-VAE)“ arbeitet. Ein erstes neuronales Netz komprimiere die Dateien, das zweite rekonstruiert sie wieder. Dabei wurden die neuronalen Netze so trainiert, dass die komprimierte Form für den Menschen interpretierbar wird.

Unerwartete Korrelationen aufdecken

Mit der Software gelang es den Forschern, die Photonenenergie vom Elektronenlaser Flash aus Einzelphotoelektronenspektren zu bestimmen. „Es ist uns gelungen, aus verrauschten Elektronflugzeitdaten diese Informationen zu extrahieren, und zwar deutlich besser als mit herkömmlichen Analysemethoden“, sagt Physiker und Datenwissenschaftler Gregor Hartmann vom HZB.

Das Programm sei sogar in der Lage, winzige Signale, die in den Rohdaten nicht erkennbar waren, zu rekonstruieren. Solche Netzwerke könnten dazu beitragen, unerwartete physikalische Effekte oder Korrelationen in großen experimentellen Datensätzen aufzudecken.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

(ID:49025790)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte