Hochleistungslaser werden u.a. zur Erforschung von exotischen Materiezuständen und für medizinische Anwendungen benötigt. Während des Betriebs wird der Strahlquerschnitt überwacht, um destruktiv hohe Energiedichten zu erkennen und zu unterbinden. Eine Reaktion auf zufällig auftretende Fehler muss jedoch zwischen Pulsen bei 10 Hz erfolgen.
Der vorgestellte Automatisierungsansatz verwendet Deep Learning in Kombination mit einer einfachen Anomalieerkennung auf Basis bekannter physikalischer Eigenschaften des Systems. Dies ist notwendig für kurze Reaktionszeiten und um Ergebnisse mit einer sehr kleinen Datenbasis zu erzielen.
Vorkenntnisse
Grundlegende Kenntnisse zum Maschinellen Lernen
Lernziele
* Bildklassifizierung mit tiefen faltenden neuronalen Netzen (CNNs, speziell GoogNeNet)
* Training mit eigentlich unzureichenden Datensätzen mit wenigen interessanten Beispielen durch
-- Kombination mit klassischen Verfahren zur Reduzierung der Lernkomplexität
-- vorgeschaltete Identifizierung von potenziell relevanten Bereichen
//
Jeffrey Kelling
ist ein Wissenschaftler in der Computational-Science-Gruppe am Helmholtz-Zentrum Dresden - Rossendorf und beschäftigt sich dort mit Hochleistungsrechnen und Maschinellem Lernen in verschiedenen Wissenschaftsbereichen. Er hat sein Diplom in Physik 2012 an der TU Dresden erhalten und stellte kürzlich seine Dissertation zu massivparallelen Monte-Carlo-Simulationen auf GPUs vor.