1- SEEDS

Das Verstehen und Vorhersagen der Dynamik komplexer Systeme ist eine zentrale Aufgabe in verschiedenen Bereichen, einschließlich Biologie, Epidemien, Ingenieurwesen und Wirtschaft. Die Entwicklung hinreichend genauer Modelle für reale Systeme bleibt jedoch eine herausfordernde Aufgabe. Strukturelle Modellfehler, verursacht durch unzureichendes Wissen über die quantitativen Interaktionen im realen System und verborgene Eingaben aus der Umgebung, sind grundlegende Hindernisse für die Modellentwicklung. In diesem Projekt entwickeln wir Methoden und Algorithmen zur Rekonstruktion der Ursache dieser Modellfehler aus Daten, um so die systematische Erweiterung und Verbesserung von Modellen zu erleichtern. Kürzlich haben wir einige neue Kriterien für die eindeutige Wiederherstellung des Modellfehlersignals aus Ausgangsmessungen entwickelt. Basierend auf diesem Fortschritt zielen wir darauf ab, robustere Rekonstruktionsalgorithmen mit nachgewiesenen Garantien für die Genauigkeit der Rekonstruktion zu entwerfen. Als zweites Hauptforschungsziel werden wir die automatische Erweiterung unvollständiger Modelle untersuchen, indem wir die fehlenden herrschenden Gleichungen in diesem Modell entdecken.