Effizientes, wahrscheinlichkeitsbasiertes maschinelles Lernen für die digitale Chemie
Erfahren Sie, wie Sie maschinelles Lernen zur Optimierung von Entwicklungszyklen einsetzen können. Sie lernen eine neue Möglichkeit kennen, KI im Labor und in der Industrie zu nutzen. Dafür benötigen Sie keine cloudbasierten Lösungen, sondern können lokale KI nutzen, um Ihre Daten zu schützen.
Geringe Emissionen, Langlebigkeit und Ressourceneffizienz sind zentrale Anforderungen in der chemischen Industrie. Die Entwicklung von Produkten und Prozessen erfordert in der Regel eine Vielzahl von Experimenten, die Zeit, Energie und Rohstoffe verbrauchen. Maschinelles Lernen kann die Planung und Auswertung von Experimenten effizienter und ressourcenschonender gestalten.
Der praktische Einsatz von maschinellem Lernen in der Chemie wird oft durch zwei Faktoren eingeschränkt. Erstens erfordert die Entwicklung und Kalibrierung von ML-Modellen in der Regel spezielle Fachkenntnisse in den Bereichen Datenwissenschaft und KI. Zweitens liefern viele bestehende Ansätze Vorhersagen ohne eine klare Bewertung ihrer Zuverlässigkeit, was das Vertrauen in die Ergebnisse mindert. Insbesondere Methoden, die auf grossen Sprachmodellen basieren, lassen oft eine explizite Quantifizierung der Unsicherheit vermissen.
In diesem Vortrag stellen wir einen probabilistischen Machine-Learning-Ansatz für Optimierungs-, Vorhersage- und Steuerungsaufgaben vor, bei dem Unsicherheit ein integraler Bestandteil der Modellausgabe ist. Dies ermöglicht es Benutzern, die Zuverlässigkeit der vorgeschlagenen Ergebnisse zu bewerten. Die erforderlichen Algorithmen sind in einer Anwendung implementiert, die über textbasierte Eingaben bedient werden kann. Sprachmodelle werden verwendet, um Benutzereingaben in formale Aufgaben zu übersetzen, während die numerischen Berechnungen vom probabilistischen Workflow STOCHOS durchgeführt werden. Es sind keine Programmier- oder KI-spezifischen Kenntnisse erforderlich.
Wir zeigen ausserdem, wie probabilistische Modelle zu einem besseren Verständnis komplexer chemischer Systeme beitragen und sowohl wirtschaftliche als auch ökologische Überlegungen unterstützen können. Der Ansatz ist für Labor- und Industrieumgebungen konzipiert und kann lokal betrieben werden, ohne auf cloudbasierte Infrastrukturen angewiesen zu sein.
Hinweis: Bitte beachten Sie, dass dieses Referat auf Englisch gehalten wird.
Sprechende (1)
