Daten gestützte EMV + SI/PI
Unsere Vision ist es die klassischen Ansätze der EMV um neue Ansätze zu erweitern und zu unterstützen, die sich unter dem Begriff „Daten gestützt“ zusammenfassen lassen. Dies umfasst zum Beispiel Methoden des Maschinellen Lernens, hat aber noch mehrere andere Aspekte die wir hier einmal vorstellen wollen.
Datenerstellung
Um sinnvolle Aussagen anhand von Daten zu treffen, braucht man vor allem eines: Daten! Die Herausforderung hier ist das die EMV und auch die SI/PI Felder mit oft sehr spezifischen Problemen ist. Für eine erfolgreiche Datengenerierung ist es also nötig, sowohl allgemein gültig genug aber nicht zu unspezifisch zu werden.
Auch ist die erforderliche Datenmenge eine Herausforderung, da sie mit großen Mengen an Simulationen zusammenhängen.Wichtige Fragen die sich vor und während der Datenerstellung ergeben sind zum Beispiel:
Welche Simulations- oder Modelierungs-Methode ist sinnvoll?
Welchen Zweck erfüllen die erstellten Daten?
Was ist die Anwendung für die erstellten Daten?
Datenverarbeitung
Die Verarbeitung und Aufbereitung der Daten stellt eine zentrale Aufgabe dar. Dabei muss ein hohes Maß an Wissen über die Herkunft aber auch die Anwendung an sich angewendet werden, damit die Daten einen Mehrwert auch für weitere Anwendungen haben. Um Daten zur Erforschung physikalischer Zusammenhänge zu nutzen ist es wichtig die daten mit ensprechendem Verständnis aufzubereiten und zu nutzen. Wichtige Fragen die sich dabei ergeben sind zum Beispiel:
Welche Parameter sind entscheidend?
Ergeben die erzeugten Ergebnisse einen physikalischen Sinn?
Welche Aspekte müssen in den Fokus?
Methoden
Die Methoden der Datenverarbeitung beziehen sich vor allem auf eine Statistische Auswertung und Methoden des Maschinellen Lernens. Es geht darum zu ergründen wie Daten genutzt werden können um Probleme in der Entwicklung und Anwendungen von Technik in der modernen Welt zu lösen. Wichtige Fragen die sich bei der Wahl der Methodik ergeben sind zum Beispiel:
Welche Modelle setze ich ein?
Was sind Ein – und Ausgangsgrößen?
Welche Anwendung kann dieses Modell finden?
Anwendungen
Die Anwendungsbeispiele sind so vielfältig wie das Feld der EMV. Sie reichen vom PCB-Design über Filterdesign für Elektrische Autos bis hin zur Einschätzung der verträglichkeit von medizinischen Implataten. Aber auch Messmethoden können mit einem verbessterten Datenbasierten postprozessing effizienter und präziser gemacht werden. Wichtige Fragen die sich bei der Suche nach Anwendungen ergeben sind zum Beispiel:
Wo und wie können Prozesse beschleunigt werden?
Wie ist die Datenlage oder der Aufwand einer Datenerstellung?
Welche Herausforderungen gibt es in diesem Feld?
