Maschinelles Lernen (ML) und insbesondere das Lernen von gro?en Neuronalen Netzen (NN), das sogenannte Deep Learning (DL), geh?ren derzeit zu den viralsten und in der ?ffentlichkeit breit diskutierten wissenschaftlichen Themen, welche Anwendungen in sehr vielen Forschungsbereichen besitzen. In dem Verbundprojekt DELETO soll die mathematische Forschung von DL bei der L?sung inverser Probleme entscheidend vorangetrieben werden, um die aufgrund der gro?en Datenmengen rechenaufw?ndigen Rekonstruktionsmethoden, basierend auf Structural Priors und Motion Correction im Bereich der korrelativen MR und der Hochdurchsatz-NanoCT, exakter und effizienter zu gestalten.
Magnetresonanz (MR)-Bildgebung ist eine der am weitesten verbreiteten Techniken der medizinischen Bildgebung. Limitationen sind die lange Messdauer und die beschr?nkte quantitative Information, die mit den meisten MR-Techniken einhergehen. Um diese Probleme zu l?sen, sollen in diesem Projekt lernbasierte Verfahren kombiniert mit modellgetriebenen Ans?tzen eingesetzt werden.
Die Hochdurchsatz-Nano-Computertomographie (NanoCT) basiert auf Transmissionsmessungen von R?ntgenstrahlung im hochaufl?senden Bereich (bis 60 nm). Neben der üblichen Absorptionsdarstellung k?nnen auch Phasen- und Dunkelfeldkontraste rekonstruiert werden. NanoCT erlaubt die hochgenaue ?berprüfung von Materialien, wie z.B. Aluminiumlegierungen und faserverst?rkten Kunststoffen, die wirtschaftlich von gr??ter Bedeutung sind (z.B. Flugzeugbau, Automobilindustrie, Windkraftanlagen). Die Werkstoffprüfung ist von enormer Bedeutung, um Spannungs-Dehnungs-Beziehungen herzuleiten oder Aussagen über die Materialermüdung zu machen. Neue Anforderungen und Materialien erfordern immer h?here Aufl?sungen bei gleichzeitigem Hochdurchsatz. Es bedarf ausgeklügelter, neuartiger mathematischer Methoden, um Schwierigkeiten von derzeitigen Ger?ten, wie Ungenauigkeiten in der Messgeometrie, zu überwinden oder effizientere Rekonstruktionsalgorithmen bei vorliegenden Messdaten aus dem Big Data-Bereich zu entwickeln.
Ziel ist es die neu entwickelten Methoden in den Ger?ten der n?chsten Generation zu integrieren. Hierfür arbeiten wir eng mit entsprechenden Firmen zusammen. Es sollen dadurch erstmalig modellgestützte sowie datengetriebene Methoden in den Big Data-Technologien der korrelativen Magnetresonanz-Bildgebung sowie in der Hochdurchsatz-NanoCT Anwendung finden.
Die Universit?t Bremen beteiligt sich an DELETO mit dem Teilprojekt Invertierbare Residuale Netzwerke, in dem theoretische Untersuchungen über die Regulierungseigenschaften bestimmter Netzwerkarchitekturen, invertierbare residuale Netzwerke (IRN), angestrebt werden.
