Projektdaten

---

Interpretable surrogates for efficient analog timeseries forecasting

---

Systeme mit komplexer Dynamik sind in der Natur und im Alltag allgegenwärtig. Beispiele sind biologische Systeme, wie das menschliche Herz, Verkehrsmodelle, Wettersysteme und das globale Klima. In all diesen Fällen besteht der Wunsch, die zeitliche Entwicklung der dynamischen Variablen vorhersagen zu können, wobei dies durch die zugrundeliegende komplexe oder chaotische Dynamik und die im allgemeinen nur teilweise verfügbaren Messdaten eine sehr anspruchsvolle Aufgabe ist. Der Bedarf an Algorithmen, die genaue Vorhersagen treffen können, wächst ständig und die Frage der Energieeffizienz rückt immer stärker in den Mittelpunkt. Ziel dieses Projekts ist die Entwicklung recheneffizienter Algorithmen, die nicht als Software auf einem herkömmlichen Computer implementiert sind, sondern mit physischer Hardware realisiert werden können. Der Ausgangspunkt für diese Forschung ist das Reservoir Computing, ein maschineller Lernansatz, bei dem die Antwort eines dynamischen Systems auf bestimmte Inputs über lineare Regression trainiert wird. Das als Reservoir fungierende dynamische System könnte beispielsweise ein Netzwerk mikromechanischer Oszillatoren oder ein optisch selbstrückgekoppelter Halbleiterlaser sein, welche beide sehr energieeffizient betrieben werden können. Die theoretischen Untersuchungen dieses Projektes werden an kleinen Systemen mit Methoden der nichtlinearen Dynamik, z.B. Bifurkations- und Komplexitätsanalyse durchgeführt, um Einblicke in die tieferliegenden Mechanismen des Algorithmus und die notwendigen Eigenschaften für gute Vorhersageleistung zu ermöglichen. Die Größe und die Komplexität des trainierten Reservoirs können anschließend bestmöglich reduziert werden, womit ein kompakter und an .Aufgaben angepasster Algorithmus entstehen wird. Energieeffiziente Hardware-basierte Edge-Geräte für Zeitreihenvorhersagen bei medizinischen und industriellen Anwendungen können so realisiert und optimiert werden.