KI-Methoden am Beispiel von GISAXS-Streudaten

Das Projekt steht im Kontext der automatisierten (Vor-)Klassifikation und Suchbarkeit von großen Mengen an Experimentaldaten mit Methoden der künstlichen Intelligenz. Dabei werden zwei Problem- bzw. Forschungsfelder des DESY und der HAW Hamburg aufgegriffen:

1. Aufgrund limitierter Strahlzeiten sind am DESY die Versuchsdauern zeitlich sehr eng getaktet, so dass Wissenschaftlerinnen und Wissenschaftler während einer Messkampagne sehr große Datenmengen von Messwerten erzeugen. Diese werden für das hier beantragte Projekte bei PETRAIII von mehreren gleichzeitig eingesetzten Pixeldetektoren mit bis zu 11Mio Pixeln in Form von zweidimensionalen Streubildern aufgenommen. Diese können während der Kampagne selbst nur qualitativ auf Plausibilität geprüft oder in Ergebniskategorien klassifiziert werden. Hieraus resultieren Zeit- und Ressourcenverluste durch erneut durchzuführende Kampagnen sowie mögliche Fehlauswertungen und -interpretationen.
2. An der HAW wird an der Personen- und Objekterkennung mithilfe intrinsischer Identitätsmerkmale geforscht. Aufgrund der Vielfalt potenzieller Merkmale ist es allerdings schwierig, den Umfang und die Ausprägung der Merkmale exakt vorherzusagen. Daher ist es sinnvoll, dass Systeme mithilfe von KI-Methoden durch Feedbackmechanismen lernen, wann Objekte sich unterscheiden, um ggf. neben bewusst trainierten Merkmalen noch weitere zu erlernen.

Diese Forschungen werden gerade kooperativ am Beispiel von Oberflächenstrukturanalysen durch Röntgenkleinwinkelstreuung unter streifendem Einfall (GISAXS)-Bilder in Form einer Masterarbeit zusammengeführt, indem diese schon während der Messkampagne voranalysiert und klassifiziert sowie ForscherInnen als Interpretation vorgeschlagen werden.

Das Projekt erweitert diese Masterarbeit für einen geplanten DFG-Antrag, bei dem diese Identitätslernverfahren generalisiert und auf einem FPGA als Vorstufe eines Künstliche-Intelligenz (KI)-Chips implementiert werden. Ein solcher FPGA unterstützt dann die KI-basierte Merkmalsextraktion, Mess-Klassifikation sowie eine suchbare Identitätsbildung durch robuste Hashes in hoher Geschwindigkeit. Dieses Projektergebnis ist somit auf eine Vielzahl von Messverfahren und -kampagnen am DESY anwendbar.