​Shuai Han aus der Forschungsgruppe von FIAS-Senior-Fellow verteidigte am 22. September 2025 erfolgreich seine Doktorarbeit. Er untersuchte eine neuartige Integration mechanistischer Epidemiemodelle mit modernem Deep Learning, um sowohl eine hohe Vorhersagegenauigkeit als auch eine entscheidende Interpretierbarkeit bei epidemiologischen Prognosen zu erreichen.

„Wir untersuchten die Synergie zwischen mechanistischer Modellierung und künstlicher Intelligenz, um ein tieferes Verständnis der Epidemiedynamik zu erlangen“, erklärt Han. Dabei verwendten sie eine Kernmethodik, die sich auf physikalisch informiertes Deep Learning konzentriert. Seine Arbeit befasst sich damit, wie diese hybriden Modelle physikalische Einschränkungen und Vorwissen einbeziehen können, um zuverlässige und interpretierbare Vorhersagen zu erstellen, selbst wenn Daten knapp und unsicher sind.

Unter Verwendung von Modellen wie dem Physics-Informed Hybrid Model (PIHM) zeigte Han, dass die Steuerung des Deep Learning mit etablierten Epidemietheorien zu Vorhersagen führt, die sowohl interpretierbar sind als auch komplexe räumlich-zeitliche Muster erfassen können. Eine wichtige Innovation seiner Arbeit ist der Entwurf hybrider Architekturen, die klassische Kompartimentmodellstrukturen direkt in neuronale Netze einbetten und damit einen neuen Weg schaffen, um mechanistische Erkenntnisse mit datengesteuertem Lernen zu verbinden.

Han ist Autor von drei Publikationen im Bereich AI4Science, in denen er das Potenzial physikalisch informierter Hybridmodelle hervorhebt, die Lücke zwischen Theorie und Praxis effektiv zu schließen.

In Zukunft möchte Han seine Forschung an der Schnittstelle von KI und intelligenter Gesundheitsversorgung fortsetzen, um Fortschritte im physikalisch informierten maschinellen Lernen in konkrete Vorteile für reale medizinische und klinische Kontexte umzusetzen.