Symbolische Regression zur effizienten Modellierung von Zeitreihen auf eingebetteten Plattformen mit extrem niedrigem Stromverbrauch

Kontext 

Die symbolische Regression ist ein Teilbereich des maschinellen Lernens (ML), der darauf abzielt, den analytischen Ausdruck zu finden, der zu einem Datensatz passt. Die symbolische Regression, die bei der Modellierung physikalischer Phänomene weit verbreitet ist [1], bietet eine Möglichkeit, komplexe Daten mit einer prägnanten mathematischen Darstellung zu versehen, die einen kompakten Entwurf von Modellen für maschinelles Lernen und die Möglichkeit der Modellinterpretation ermöglicht. Beide Eigenschaften sind entscheidend für die hochintegrierten KI-Systeme in industriellen Anwendungen, wo die mangelnde Effizienz und Interpretierbarkeit klassischer Deep-Learning-Modelle ihre Anwendung einschränkt. Diese Arbeit zielt darauf ab, die Anwendbarkeit der symbolischen Regression für den Aufbau hardware-effizienter ML-Modelle zu untersuchen.

Ziele 

In dieser Arbeit werden der Stand der Technik in der symbolischen Regression, bestehende Methoden und Frameworks untersucht. Dann soll die Methodik für die hardware-bewusste symbolische Regression entwickelt werden. Um die Methodik zu beweisen, werden Experimente zur Auswahl der synthetischen und realen Anwendungsdatensätze für die Sequenzmodellierung durchgeführt. Abschließend müssen die optimierten Netze auf realer Hardware evaluiert werden, gefolgt von der Analyse der Anwendbarkeit symbolischer Regressionsmethoden für Hardware-aware ML.

[1] Angelis, Dimitrios, Filippos Sofos, and Theodoros E. Karakasidis. “Artificial Intelligence in Physical Sciences: Symbolic Regression Trends and Perspectives.” Archives of Computational Methods in Engineering 30, no. 6 (July 1, 2023): 3845–65. https://doi.org/10.1007/s11831-023-09922-z.

Voraussetzungen 

• Erfahrung mit Deep Learning (DL) und einem der DL-Frameworks wie PyTorch oder Keras/TensorFlow
• Erfahrung mit Python und C++
• Motivation und selbständige Arbeitsweise