DFG project G:(GEPRIS)466468799
Translation von thermodynamischem Wissen auf Computer
| Coordinator | Professorin Dr. Sophie Fellenz ; Professor Dr.-Ing. Hans Hasse ; Professorin Dr. Heike Leitte |
| Grant period | 2021 - |
| Funding body | Deutsche Forschungsgemeinschaft |
| | DFG |
| Identifier | G:(GEPRIS)466468799 |
⇧ SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen ⇧
Note: Dieses Projekt adressiert ein Kernproblem der künstlichen Intelligenz: die Übertragung menschlichen Wissens auf Computer. Unser Ziel ist es, dies für das umfangreiche und tiefe Wissen über die Thermodynamik zu erreichen. Aufgrund ihrer ausgereiften und strukturierten Theorie bietet die Thermodynamik ideale Voraussetzungen hierfür; die Ergebnisse könnten zudem sowohl in den Natur- als auch in den Ingenieurwissenschaften weitreichende Anwendungen finden. Die Grundprinzipien, die die Translation des thermodynamischen Wissens leiten, sollten auch auf andere wissenschaftliche und technische Felder übertragbar sein. In den ersten zwei Jahren des Projekts haben wir eine Systematik für die Translation des thermodynamischen Wissens erarbeitet und diese in einem System umgesetzt, welches es Computern ermöglicht, thermodynamische Probleme zu lösen. Dieses System, das wir KnowTD nennen, besteht aus zwei Teilen: einer Ontologie und einem Reasoner. In der Ontologie sind die thermodynamische Theorie, Materialeigenschaften und Klassen von Problemstellungen maschinenlesbar gespeichert. Der Reasoner baut auf diesem Wissen auf und definiert anhand einer Nutzereingabe das jeweils zu lösende Problem, stellt valide Gleichungen zusammen, die dieses Problem beschreiben, und löst sie. Für die zweite Förderperiode planen wir wesentliche Erweiterungen des Leistungsumfangs von KnowTD; behandelt werden sollen: offene Systeme, andere Stoffe als ideale Gase, Prozesse aus vielen Teilschritten (auch Kreisprozesse) und gekoppelte Systeme. Zudem haben wir Voruntersuchungen zum Einsatz großer Sprachmodelle, insbesonderere ChatGPT, für die Lösung thermodynamischer Probleme durchgeführt. Bei einfachen Problemen liefert ChatGPT 4 gute Lösungen, es scheitert jedoch, wenn die Probleme komplexer werden. In der nächsten Förderperiode wollen wir auch diese Arbeiten weiterführen. Ziel ist es dabei, ein hybrides System zu entwickeln, das die Flexibilität großer Sprachmodelle mit dem wissensbasierten Ansatz von KnowTD zusammenführt und dabei die Stärken beider Ansätze nutzt.
Recent Publications
There are no publications
guest ::