Die hohe Leistungsfähigkeit moderner Forschungsinfrastrukturen (FIS) bringt vor allem zwei Problemstellungen bei der Analyse von Spektren und ähnlich gearteten Messdaten mit sich: Auf der einen Seite erreichen viele Messungen bereits nach kurzer Zeit eine gute Statistik, aber als Flaschenhals bleibt die arbeits- und zeitaufwendige Auswertung durch hochqualifiziertes Personal bestehen. Für eine automatisierte Auswertung eignen sich klassische Ansätze nur bedingt aufgrund der hohen Dimensionalität der zu analysierenden Parameterräume.
Auf der anderen Seite ermöglicht es die hohe Sensitivität, auch kleinste Signale zu detektieren – allerdings mit derart verrauschten Messwerten, dass herkömmliche Analysemethoden Schwierigkeiten mit ihrer Bestimmung haben. Diesen Problemen steht jedoch eine enorme Menge an bereits fertig ausgewerteten spektralen Daten verschiedenster Messtechniken gegenüber, die sich als Trainingsdaten für datengetriebene Auswertemethoden anbieten. Methoden des Maschinellen Lernens (ML) sollen in diesem Projekt genutzt werden, um die Komplexität der großen Parameterräume abfedern zu können. Der Status quo in diesem Gebiet ist ein Flickenteppich aus verschiedensten Lösungen, welche
speziell an die jeweiligen Anwendungen angepasst sind und sich daher nur schwer erweitern lassen.
Gegenstand des Projektes ist daher, ein im Kern generischer ML-Ansatz, die automatisierte Auswertung spektraler Datensätze unterschiedlicher physikalischer Messmethoden – wie der Phasenanalyse mit Röntgen- oder Neutronendiffraktion, Neutronenspektroskopie, Elementanalyse mittels Kernstrahlung oder Astrospektroskopie – auf der Basis physikalisch interpretierbarer Modelle zu ermöglichen. Der Ansatz wird bewusst parallel auf mehrere Techniken angewendet, um sicherzustellen, dass er allgemeingültig genug ist und zu einem späteren Zeitpunkt auch auf andere Messmethoden erweitert werden kann.
Projektlaufzeit: 01.03.2023 – 01.03.2026
Dieses Projekt wird im Rahmen des Aktionsplans ErUM Data des BMBF gefördert.
Letzte Änderung: 20. November 2023