DeepSAM: Machine Learning under Symmetries with Applications in Astronomy and Medicine

Viele Wissenschaftsfelder stehen, wenngleich in sehr unterschiedlichen Größenordnungen und Proportionen, vor ähnlichen Herausforderungen. Ein Beispiel ist die sachgerechte automatisierte Verarbeitung bildähnlicher Strukturen, die sowohl Astronomie als auch Medizin vor Probleme stellt. Aufgrund der enormen Menge verfügbarer Daten sind Deep-Learning-Methoden prädestiniert für diese Aufgabe. Obwohl hier bereits große Fortschritte erzielt wurden, gelingt es meist immer noch nicht, die Symmetrien der zugrunde liegenden Systeme optimal zu nutzen. Beispielsweise hat die Ausrichtung biologischer Zellen und Galaxien keine inhärente Bedeutung und sollte daher beim Aufbau geeigneter Machine-Learning-Modelle nicht berücksichtigt werden.

In diesem Projekt entwickeln wir neuartige Deep-Learning-Methoden, die diese Probleme so behandeln, dass sie die Komplexität der Daten berücksichtigen und gleichzeitig eine für die Naturwissenschaften entscheidende Interpretierbarkeit ermöglichen. Wir beabsichtigen, diese Methoden sowohl in der Astronomie als auch in der Medizin einzusetzen.

Beteiligte:
Kai Polsterer (AIN)
Vincent Heuveline (DMQ)

Mitglieder:
Romain Chazotte