Simulation Intelligenz (SI) umfasst eine neue Generation wissenschaftlicher Methoden, die digitale Simulationen zur Nachbildung und zum Verständnis komplexer realer Systeme und Phänomene nutzen. In jüngster Zeit haben neuronale Netze und Deep Learning ein großes Potenzial für die Beschleunigung und Skalierung von SI auf zuvor unlösbare Probleme und Datensätze gezeigt. Allerdings ist die Verfügbarkeit von benutzerfreundlicher Software immer noch begrenzt, was den weit verbreiteten und flexiblen Einsatz moderner SI-Methoden erschwert.

In diesem Projekt konzentrieren wir uns auf Software für amortisierte Bayesianische Inferenz, die ein wesentlicher Bestandteil der SI ist. Das Hauptmerkmal der amortisierten Bayesianischen Inferenz ist eine vorgelagerte Trainingsphase (z.B. eines neuronalen Netzes), die dann durch eine nahezu sofortige Inferenz für eine beliebige Anzahl von Datensätzen während der Testzeit ermöglicht. Konkret zielen wir darauf ab, die BayesFlow-Softwarebibliothek zur langfristigen Gold-Standard-Software für amortisierte Bayesianische Inferenz zu machen.

Projektmitglieder: Lars Kühmichel

Förderung: Deutsche Forschungsgemeinschaft (DFG)