In allen wissenschaftlichen Disziplinen besteht eine der größten derzeitigen Herausforderungen in der Analyse der erhobenen Daten. Obwohl klassische Methoden wie die Newton und Lagrange Interpolation schon vor mehr als 300 Jahren für diese Aufgabe benutzt worden können höher dimensionale Datensätze von derzeitigen Algorithmen oft nicht hinreichend gut bearbeitet werden. Erst kürzlich gelang es uns die klassischen Methoden auch auf höhere Dimensionen zu Verallgemeinern.

Der 2. CASUS-Workshop für multivariate Interpolation im März 2020 zielte darauf ab, Prototyp-Löser für die erwähnten Berechnungsprobleme zu implementieren und zu testen und diese direkt an experimentellen Daten zu testen.

Die Teilnehmer entwickelten und implementierten unter anderem neue Berechnungsmethoden wie:
– Polynomiale Interpolation auf verstreuten Daten in mehreren Dimensionen
– Polynomische Regression & Rauschunterdrückung in Multi-Dimensionen
– Strenge Metriken, die die Qualität der Phasenabfrage kontrollieren
– Schnelle Parameterabstimmung für adaptive Optik
– Konzepte für verteilte schnelle Fourier-Transformationen
– Regularisierung des maschinellen Lernens auf tiefen neuronalen Netzen
– PDE-Lernen und Simulation durch maschinelle Lernmethoden

Der implementierte Code und die Dokumentation sind im GitLab des HZDR hochgeladen.

Für Fragen und weitere Details wenden Sie sich bitte an: hecht@mpi-cbg.de

Organisator: Dr. Michael Hecht