Am 8.2.2024 hat Frau Elnaz Azmi ihre Dissertation erfolgreich abgeschlossen. Seit 2017 widmete sie sich der Herausforderung, den Ressourcenbedarf von Umweltsimulationen durch Einsatz maschineller Lernverfahren zu reduzieren. Einen Tag später durfte sich auch Oskar Taubert über die erfolgreiche Verteidigung seiner Dissertation freuen. In seiner Arbeit hat sich Herr Taubert seit 2018 mit dem maschinellen Lernen von datenarmen Problemen in der Biologie und auf High Performance Computing (HPC) adaptierten, biologisch inspirierten Optimierungsalgorithmen beschäftigt.
Frau Azmi arbeitete eingehend mit Simulationen in den Umweltwissenschaften, die für das Verständnis komplexer Naturphänomene unverzichtbar sind. Aufgrund ihrer räumlichen und zeitlichen Detailgenauigkeit stellen diese oft hohe Anforderungen an die verfügbaren Rechenkapazitäten. In ihrer Forschung arbeitete Frau Azmi daran, die Effizienz rechenintensiver Simulationen zu steigern und wendete dafür Ansätze zur Näherung und Optimierung auf Beispiele aus der Hydrologie und den Klimawissenschaften an. Ziel war es, mittels maschinellen Lernens, Ähnlichkeiten in Zeit und Raum innerhalb der Simulationen zu erkennen und so eine Methode zu entwickeln, Redundanzen zu reduzieren. Indem sie ein Modul für unüberwachtes Lernen direkt in den Simulationscode integrierte bzw. einen Teils der Simulation durch ein neuronales Netz ersetzte, konnte Frau Azmi zeigen, dass durch die Identifizierung von Modellredundanzen und die Reduktion der Berechnungskomplexität die Effizienz der Simulationen erhöht und damit einhergehend der Ressourcenbedarf reduziert werden kann.
Herr Taubert wendete Maschinelles Lernen auf die Vorhersage der Struktur von Biomolekülen an. Um die wenigen vorhandenen Trainingsdaten möglichst gut einzusetzen, kombinierte er verschiedene Methoden: Selbstüberwachte neuronale Netze, Fine-tuning und Gradient Boosted Decision Trees. Die Parametrisierung dieser komplexen Modellprozesse wird durch auf die Rechenumgebung angepasste Algorithmen ermöglicht, die die gegebenen Rechenressourcen effizient nutzen, um neue Modelle vorzuschlagen und diese zu trainieren. Die von Herr Taubert erforschten Beiträge zu datenarm erzeugten Modellen und zu Modellarchitektursuche sollten im wissenschaftlichen maschinellen Lernen auch in der Zukunft Verwendung finden. Die Arbeit von Herrn Taubert wurde finanziert vom Projekt Helmholtz Analytics Framework (HAF), einem in der Forschungsgruppe Multiscal Biomolecular Simulation erhaltenen "Google Faculty Research Award" und der Plattform Helmholtz Artificial Intelligence Cooperation Unit (Helmholtz AI).
Das SCC gratuliert Frau Azmi und Herrn Taubert sehr herzlich zur erfolgreich abgeschlossenen Promotion und wünscht den beiden alles Gute für die weitere berufliche Laufbahn.
Dissertation von Elnaz Azmi: Approximation and Optimization of Compute-Intensive Environmental Simulations through Machine Learning Methods
Dissertation von Oskar Taubert: Machine Learning from Evolution