Die Erkennung von Mustern und Strukturen in Daten ist eine der weitverbreitetsten Anwendungen künstlicher Intelligenz und Maschinellen Lernens. Die Palette der Anwendungsbeispiele reicht dabei von der Objekterkennung in der Robotik über die Früherkennung von Krankheitsbildern bis hin zur autonomen Steuerung von Fahrzeugen. Allen diesen Problemen ist gemein, dass scheinbar unübersichtlich große Datenmengen auf Gemeinsamkeiten untersucht und kategorisiert werden, um beispielsweise anschließend über eine Rückkoppelungsschleife gezielt Aufgaben auszuführen. Die zu rekonstruierenden Bilder und Daten können dabei auch abstrakter Natur sein, wie sie in naturwissenschaftlichen Experimenten als Messgrößen auftreten, oder von Menschen selbst generiert sein, wie es in literarischen Texten und Handschriften der Fall ist.

Kernpunkt dieses Projektes ist die Neu- und Weiterentwicklung sowie die Anwendung von Technologien des Maschinellen Lernens auf die Extraktion von Informationen aus Bildern und Daten. In den letzten Jahren haben Neuronale Netze unterschiedlichster Architektur sowie Varianten, wie z.B. Support-Vektor-Maschinen, aufgrund eindrucksvoller Ergebnisse für Klassifikations- und Regressionsprobleme eine große Verbreitung gefunden. Es bedarf allerdings erheblicher Anstrengungen, um diese Werkzeuge an konkrete Anwendungsfelder anzupassen und nutzbar zu machen. Eine für die Praxis erforderliche Performanz kann nur erzielt werden, wenn Strukturen des Problemkreises erkannt und ausgenutzt werden. Aus theoretischer sowie praktischer Sicht sind symmetrische Strukturen, die eventuell auch verborgen sein können, besonders wichtig. Diese sind eine tragende Säule des Projektes.

Die theoretischen Grundlagen und die Technologien für den Einsatz des Maschinellen Lernens zur schnellen Lösung von Inversions- und Erkennungsproblemen werden zielgerichtet auf drei Anwendungsfelder entwickelt, die in drei Arbeitspakete (AP) eingeordnet sind. Optik, Quantenoptik, Nanophotonik, Physikalische Chemie (AP1), Plasmaphysik (AP2) und Digital Humanities (AP3).