EVA-II: Künstliche Intelligenz zur Objektverfolgung in Vielteilchensystemen

Die Untersuchung verdünnter Ensembles fester makroskopischer Teilchen, wie zum Beispiel granularer Gase, bildet einen Fokus aktueller internationaler Forschung. Besonderes Interesse gilt unter anderem der Dynamik beim granularen Aufheizen und Abkühlen (Einbringen und Dissipation kinetischer Energie), der Energieverteilung auf die Bewegungsfreiheitsgrade und der Entstehung von Clustern. Diese Forschung ist relevant für das Verständnis fundamentaler physikalischer Fragen, aber auch für industrielle Anwendungen bis hin zur Beschreibung komplexer natürlicher Phänomene in unserer Umgebung und im Kosmos.
Eine der größten Herausforderungen bei Experimenten mit verdünnten Ensembles von Teilchen ist die hinreichend genaue und zuverlässige Identifizierung der Partikel aus optischen Beobachtungen und die Verfolgung ihrer Positionen, Geschwindigkeiten und Orientierungen. Der Umfang der visuell gesammelten Daten, die analysiert werden müssen, ist selbst bei den relativ kurzen Experimenten im Fallturm beträchtlich, erst recht in Parabelflügen oder Raketenexperimen- ten. Verbesserte Aufnahmetechniken mit hoher räumlicher Auflösung und schnellen Bildraten erhöhen die Qualität der Daten erheblich und erlauben neue Fragestellungen. Sie lassen aber gleichzeitig die zu verarbeitenden Datenmengen rapide ansteigen. Die Datenextraktion aus op- tischen Aufnahmen stellt fast immer den Engpass der Auswertung dar.
Das Projekt EVA, das im August 2023 endet, konzentrierte sich auf die Entwicklung eines Softwarepakets für die weitgehend automatische Analyse der Videodaten aus Experimenten vor allem

mit stäbchenförmigen Partikeln. Eine ganze Reihe von Problemen im Zusammenhang mit der Trennung sich überlappender Objekte und der stabilen Partikelverfolgung in 3D wurden gelöst. Die dort entwickelten Methoden wurden auf granulare Gase in Mikrogravitation (µg), aber auch auf Scherexperimente und bei der Identifizierung von Flussprofilen granularer Fluide in zweidimensionalen Geometrien angewandt. Der manuelle Arbeitsaufwand wurde erheblich reduziert, ist aber vor allem bei 3D-Systemen noch unvermeidbar. Unsere Studien zeigen, dass das Konzept des Einsatzes von Maschinelles Lernen-Algorithmen (ML) dennoch vielversprechend und effektiv ist. Wir schlagen hier vor, dieses Konzept weiter zu verfolgen, die bestehende ML-Software zu erweitern und auf verschiedene physikalisch interessante Systeme anzuwenden, in denen experimentelle Daten von Vielteilchensystemen gewonnen werden. Dazu müssen die Programme an komplexere Teilchenformen, an strukturierte Partikel und an Mischungen unterschiedlicher Partikel angepasst werden.
Das Projekt wird eine zentrale Stellung einnehmen bei der mathematischen Behandlung der Objekterkennung und -verfolgung innerhalb einer Reihe von Forschungsvorhaben des Antragstellers, die sich mit der Struktur und Dynamik granularer Gase in µg befassen. In diesen Projekten
kommt es darauf an, Teilchenbewegungen und -orientierungen möglichst automatisch zu ermit- teln und den Anteil der manuellen Ü berwachung und Korrektur gering zu halten. Der personelle
Aufwand zur Datenauswertung wird durch die geplante Automatisierung und Anwendung von ML-Algorithmen um Größenordnungen reduziert, und weit mehr und genauere Auswertungen der Experimente werden möglich. Drei Vorhaben, für die unsere Programme prädestiniert sind, sind das Projekt Kordyga (Projektleiterin Kirsten Harth, TH Brandenburg), wo ein Teil der Untersuchungsobjekte Kugeln mit markierten Segmenten sind, das Projekt JACKS (Projekt- leiter Ralf Stannarius), in dem Raumkreuze und ähnlich komplexe Teilchen verwendet werden, und das Experiment VIP-Gran (ESA Space Grains Topical Team), in dem stark angeregte granulare Gase unterschiedlicher Partikelformen auf Parabelflügen und 2024 auch auf der ISS untersucht werden sollen. Videodaten aus dem abgeschlossenen Studentenprojekt SmartDust (ESA Drop Your Thesis) liegen ebenfalls zur Auswertung bereit.
Im beantragten Projekt werden wir die bestehenden Softwarepakete an die entsprechenden Partikeltypen und Versuchsaufbauten anpassen. Ziel ist sowohl die methodische Entwicklung der Auswerteprogramme als auch die Anwendung auf die in den genannten Projekten angefallenen und weiter anfallenden Datenmengen. Die erstellten Programmpakete finden außerdem Anwendung bei zwei weiteren Projekten des Antragstellers, die sich mit der Scherung und dem Fließen von dichter gepackten Partikelsystemen befassen.

EVA-II: Artificial intelligence for object tracking in many-body systems

The investigation of dilute ensembles of solid macroscopic particles, such as granular gases, is a focus of current international research. Of particular interest are the dynamics of granular heating and cooling (introduction and dissipation of kinetic energy), the distribution of energy over the degrees of freedom of movement and the formation of clusters. This research is relevant for the understanding of fundamental physical questions, but also for industrial applications up to the description of complex natural phenomena in our environment and in the cosmos.
One of the biggest challenges in experiments with dilute ensembles of particles is the sufficiently accurate and reliable identification of the particles from optical observations and the tracking of their positions, velocities and orientations. The amount of visually collected data that needs to be analyzed is considerable even in the relatively short experiments in the drop tower, and even more so in parabolic flights or rocket experiments. Improved recording techniques with high spatial resolution and fast frame rates considerably increase the quality of the data and allow new questions to be asked. At the same time, however, the amount of data to be processed is increasing rapidly. Data extraction from optical images is almost always the bottleneck in evaluation.
The EVA project, which ends in August 2023, focused on the development of a software package for the largely automatic analysis of video data from experiments, especially

with rod-shaped particles. A whole range of problems related to the separation of overlapping objects and stable particle tracking in 3D were solved. The methods developed there were applied to granular gases in microgravity (µg), but also to shear experiments and in the identification of flow profiles of granular fluids in two-dimensional geometries. The manual workload has been significantly reduced, but is still unavoidable, especially for 3D systems. Our studies show that the concept of using machine learning (ML) algorithms is nevertheless promising and effective. We propose here to pursue this concept further, to extend the existing ML software and to apply it to various physically interesting systems in which experimental data from many-particle systems are obtained. For this purpose, the programs need to be adapted to more complex particle shapes, to structured particles and to mixtures of different particles.
The project will play a central role in the mathematical treatment of object recognition and tracking within a series of research projects of the applicant dealing with the structure and dynamics of granular gases in µg. In these projects
it is important to determine particle movements and orientations as automatically as possible and to keep the proportion of manual monitoring and correction to a minimum. The personnel
The planned automation and application of ML algorithms will reduce the personnel required for data evaluation by orders of magnitude, and far more precise evaluations of the experiments will be possible. Three projects for which our programs are predestined are the Kordyga project (project leader Kirsten Harth, TH Brandenburg), where some of the objects under investigation are spheres with marked segments, the JACKS project (project leader Ralf Stannarius), in which space crosses and similarly complex particles are used, and the VIP-Gran experiment (ESA Space Grains Topical Team), in which highly excited granular gases of different particle shapes are to be investigated on parabolic flights and also on the ISS in 2024. Video data from the completed student project SmartDust (ESA Drop Your Thesis) is also available for evaluation.
In the proposed project, we will adapt the existing software packages to the corresponding particle types and experimental setups. The aim is both the methodical development of the evaluation programs and the application to the data volumes generated in the aforementioned projects and those that will continue to be generated. The program packages created will also be used in two other projects of the applicant, which deal with the shearing and flow of more densely packed particle systems.
This text was translated with DeepL on 04/03/2026