Sprecher für die TUHH: Timm Faulwasser

Laufzeit: seit 2025

In den letzten Jahren haben daten- und lernbasierte Ansätze für die Regelung (partiell) unbekannter dynamischer Systeme in hochkomplexen und unsicheren Umgebungen stark an Bedeutung gewonnen. Maschinelles Lernen kann hier z. B. zur Erzeugung eines Systemmodells oder zum direkten Erlernen einer Regelung verwendet werden. Während Standardanwendungen des maschinellen Lernens in der Regel auf statische Probleme führen, ergeben sich beim Einsatz lernbasierter Konzepte für dynamische Systeme viele zusätzliche Herausforderungen. Bspw. sind Sicherheitsgarantien in Anwendungen wie dem autonomen Fahren, der Mensch-Maschine Interaktion oder in Energiesystemen von entscheidender Bedeutung. Für herkömmliche Verfahren des maschinellen Lernens sind derartige Garantien i. A. nicht verfügbar, sodass neuartige Methoden und die Nutzung strukturierter Ansätze der Regelungstechnik und Systemtheorie erforderlich sind. Das Hauptziel der Forschungsgruppe ist die Entwicklung von grundlegend neuen Ansätzen des aktiven Lernens für dynamische Systeme sowie deren Regelung, bei denen der Lernprozess fortwährend beeinflusst wird. Dies steht im Gegensatz zum Großteil bestehender Arbeiten zur lernbasierten Regelung, bei denen Offline- oder Online-Daten zum Lernen ohne aktive Komponenten verwendet werden. Derartige aktive Lernstrategien sind erforderlich, um einen sicheren, performanten und dateneffizienten Betrieb komplexer und unsicherer Systeme zu gewährleisten. Zu diesem Zweck untersuchen wir, was, wann und wie aktiv gelernt werden soll. Der Fokus liegt darauf, was in Abhängigkeit der spezifischen Problemstruktur (wie der Modellgenerierung oder dem Reglerentwurf) zu lernen ist und wann das aktive Lernen stattfinden soll, z. B. bei unzureichendem Informationsgehalt der aktuellen Daten, bei zu großer Modellunsicherheit oder unzureichender Regelgüte. Schließlich werden verschiedene Methoden des aktiven Lernens entwickelt. Dabei untersuchen wir sowohl verschiedene Lerntechniken (neuronale Netze, Gauß-Prozesse und Koopman Methoden) als auch verschiedene implizite und explizite Mechanismen für aktives Lernen. Für aktives Lernen spielt der Informationsgehalt der Daten eine entscheidende Rolle. Grundsätzlich sollten die aktiven Lernkomponenten die Gewinnung möglichst reichhaltiger Informationen aus den gesammelten Daten erlauben. Im Rahmen der Forschungsgruppe entwickeln und untersuchen wir verschiedene Informationsmaße für Daten und ihre Nutzung für aktives Lernen. Die neu entwickelten Methoden stellen den sicheren und zuverlässigen Betrieb dynamischer Systeme mathematisch rigoros sicher. Dazu gehören z. B. Garantien bzgl. Fehlerschranken, erzielter Lernraten oder Stabilität und Robustheit des geschlossenen Regelkreises sowie Erfüllung von Nebenbedingungen. Schließlich sollen effiziente numerische Algorithmen entworfen werden, die die erfolgreiche Anwendung der untersuchten Methoden an Benchmark-Systemen aus der Robotik und Energietechnik erlauben.

Sprecher für die TUHH: Andreas Liese

Laufzeit: seit 2024

Tief eutektische Lösungsmittel (DES) sind eine sehr potente Klasse von Lösungsmittelsystemen, die aufgrund ihrer spezifischen Eigenschaften, u. a. einer beträchtlichen Senkung des Schmelzpunkts, eine Reihe von Vorteilen bei (bio)chemischen Umwandlungen bieten. Typischerweise wird ein Gemisch aus einem Wasserstoffbrückenbindungs-Donor und -Akzeptor verwendet, und die resultierende flüssige Form unterscheidet sich strukturell von klassischen molekularen Systemen. Diese Unterschiede im Lösungsmittelverhalten sind insbesondere für enzymkatalysierte Reaktionen von Vorteil, da sie u. a. höhere Stabilitäten und Aktivitäten ermöglichen können. Der große Gestaltungsspielraum für die Entwicklung anwendungsspezifischer DESs ermöglicht die Anpassung des Wassergehalts, die Solubilisierung hoher Konzentrationen von Substraten/Produkten und die Gestaltung nachgeschalteter Aufarbeitungsoptionen. Die primäre Hypothese ist, dass DES zwei kritische Aspekte von Bioprozessen grundlegend beeinflussen wird, nämlich die Reaktivität und Stabilität von Biokatalysatoren und die nachgeschaltete Aufarbeitung. Wir werden uns mit zwei Aspekten befassen, indem wir einen ganzheitlichen zirkulären Ansatz verfolgen, um zunächst effiziente und gleichzeitig nachhaltige Prozesse zu verstehen und dann zu entwickeln. Die zirkuläre Strategie zielt auf ein tiefes Verständnis beim Übergang von Molekülen zu Prozessen und vice versa. Alle Entscheidungen für den Einsatz von anwendungsspezifischen DESs in der Biokatalyse müssen in ein integriertes Prozessdesign eingebettet sein, das die theoretischen, synthetischen und ingenieurwissenschaftlichen Forschungsbereiche umfasst. Dies wird durch eine Kombination von Untersuchungsmethoden in den Bereichen der Modellierung zum Verhalten von DESs und Proteinen (Computational Unit), die eigentliche Anwendung von maßgeschneiderten DESs (Biocatalysis Unit) bis hin zur abschließenden Prozesskontrolle einschließlich Aufarbeitung (Engineering Unit) ermöglicht. Diese folgenden zentralen Herausforderungen werden untersucht: 1) Abkehr von empirisch getriebenen Studien zum integrierten Einsatz von prädiktiven Methoden, sowohl lösungsmittel- als auch proteinbasiert, unter gleichzeitiger Berücksichtigung reaktions- und verfahrenstechnischer Aufgaben. 2) Verbesserung des derzeit geringen Verständnisses der Struktur-Funktions-Beziehungen von Enzymen in verschiedenen Lösungsmitteln durch systematische Untersuchung zum Verständnis von Enzymen und katalytischen Peptiden. 3) Verständnis und Kontrolle der Lösungsmitteleigenschaften während der nachgeschalteten Aufarbeitung mit dem Ziel der Rückgewinnung und Wiederverwendung von DES-basierten Systemen. Da der gewählte Forschungsansatz eine enge interdisziplinäre Zusammenarbeit aus den Bereichen Modellierung, Katalyse, technische Chemie und Verfahrenstechnik erfordert, wurde ein vielfältiges Team von Wissenschaftlern aus verschiedenen Standorten zusammengestellt.