Virtuelle Knöpfe und Regler

Frederik Rehbach ist Mitarbeiter im Institute of Data Science, Engineering, and Analytics. Promoviert hat er an der TU Dortmund unter gemeinsamer Betreuung von Prof. Dr. Günter Rudolph (TU Dortmund) und Prof. Dr. Thomas Bartz-Beielstein (TH Köln). Seine Arbeit wurde mit der Note „sehr gut“ bewertet. Doch was steckt genau hinter dem Titel „Enhancing Surrogate-Based Optimization Through Parallelization“, Dr. Rehbach? 

Meinem Nachbarn erkläre ich das Thema so:
Bei der modellbasierten Optimierung geht es darum, die bestmöglichen Parameter für besonders komplexe oder kostspielige Probleme zu finden. Das kann man sich wie Knöpfe und Regler an einer Maschine vorstellen. Man möchte die beste Einstellung für die Maschine finden, aber jeder maschinelle Testlauf erzeugt Kosten und verbraucht Zeit. Nun wird versucht, diese teuren Tests an der echten Maschine durch ein Computer-Modell zu ersetzen. Man sucht auf dem Modell nach einer guten Einstellung – das erzeugt viel weniger Kosten – und testet diese in der Realität. Mit jedem realen Test wird das Modell genauer und die Einstellung an der Maschine hoffentlich besser. 

Was habe ich konkret herausgefunden?
Ich habe die Parallelisierung dieser modellbasierten Optimierung untersucht. Dabei habe ich die Effizienz verschiedener Parallelisierungsformen verglichen und neue, deutlich effizientere Methoden entwickelt, die nun in der Praxis eingesetzt werden können. Dabei ist auch ein Leitfaden für praktische Anwender in der Industrie entstanden. Dieser gibt Empfehlungen darüber, welche Formen der parallelen modellbasierten Entwicklung in bestimmten industriellen Anwendungen mehr oder weniger sinnvoll sind.

Was begeistert mich an diesem Thema?
Wie vielseitig die Methoden sind und wie viele Anwendungen von ihrem Einsatz profitieren können. Ich habe mich sehr gefreut, in meinem neuen Job direkt meine Forschungsarbeit in der Praxis einsetzen zu können.  

Wie kann es mit Ihren Ergebnissen weitergehen?
Das Feld der parallelen modellbasierten Optimierung hat noch sehr viel Potenzial und es wird auch in Zukunft immer mehr Anwendungen geben, bei der diese Techniken benötigt werden. So basieren beispielsweise die meisten Verfahren im Feld des maschinellen Lernens bzw. der künstlichen Intelligenz auf Einstellparamatern, die zunächst optimiert werden müssen. Diese Parameter können den Unterschied zwischen einem schlechten und einem ausgezeichnet funktionierenden Modell ausmachen.