Faculty of Computer Science

Research Group Theoretical Computer Science

Oberseminar: Heterogene formale Methoden

Abstract:

In dieser Arbeit soll betrachtet werden, ob die Bestimmung von Maschinensteuerungsparametern mittels Gleichungssystemen und Neuronalen Netzen simplifiziert werden kann.

Zurzeit erfolgt die Findung von den Parametern und deren Ergebnissen über mehrere ressourcenintensive Simulationen. Hierbei werden physikalische Interaktionen zwischen einzelnen Partikeln berechnet und über einen Prozess wie Kompression des Materials hinweg aktualisiert. Nachdem die Simulation beendet ist, können die aufgenommenen Parameter analysiert werden, ob sie die Anforderungen für das Material erfüllen. Allgemein kann dieser Vorgang kann auch als Regression betrachtet werden. Bestimmte Maschinensteuerungsparameter sollen zu bestimmten Materialeigenschaften führen.

Zur Simplifizierung sollen nun Neuronale Netze genutzt werden. In Bereichen der digitalen Datenverarbeitung haben sich diese über die letzten Jahre als effektive Methode bewiesen, komplexe Probleme lösen zu können, zum Beispiel Segmentation von Bildinhalten oder Regression. Der Nachteil von Neuronalen Netzen in diesem Kontext liegt darin, dass es aufwendig ist, nachzuvollziehen, wie ein bestimmtes Ergebnis berechnet wurde.

Deshalb werden in dieser Arbeit Architekturen wie Recurrent Neural Networks und Transformer betrachtet, die in der Lage sind, aus Eingabewerten eine Sequenz von Ausgabewerten zu generieren. So lässt sich das zuvor genannte Regressionsproblem in ein Symbolisches Regressionsproblem umformulieren. Die Eingabeparameter stellen die Grundlage für die Neuronalen Netze eine Gleichung zu generieren. Durch diese Gleichung wird die Unverständlichkeit der Neuronalen Netze behoben, während die Generierung einer Gleichungssequenz signifikant schneller ist, als eine Simulation der Partikel. Letztendlich kann die Gleichung als Schätzung für gute Eingabeparameter genutzt werden, um eine genaue Simulation durchführen zu können.