Simulating real-world processes on a macroscopic scale with microscopic physical theories usually requires extensive numerical calculations. This time-consuming procedure is a limiting factor in the evaluation of modern large-scale experiments. In recent years, neural networks have emerged as powerful artificial intelligence algorithms capable of learning complex relations from just limited sets of training data. This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. One focus is the reconstruction of silver nanoclusters from single-shot wide-angle scattering patterns with only limited information content. It turns out that neural networks are capable of inferring universal reconstruction rules from only a small set of simulated scattering data and offer a significant speed-up compared to classical reconstruction algorithms. When trained directly on scattering theory, the reconstructions reach an unprecedented level of detail, even for objects outside the training data space. Further, a dynamic excitation scheme for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting with an atomic simulation environment.
Das Simulieren von makroskopischen physikalischen Prozessen mit mikroskopischen Modellen der theoretischen Physik erfordert immense numerische Berechnungen. Der dazugehörige Zeitaufwand schränkt die Auswertungsmöglichkeiten für datenreiche moderne Experimente stark ein. In den letzten Jahren haben neuronale Netze immer mehr an Bekanntheit erlangt als künstliche Intelligenzen, die in der Lage sind aus einem sehr eingeschränkten Datensatz allgemeine Regeln abzuleiten. In dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigt werden kann. Ein Schwerpunkt ist dabei die Rekonstruktion von Silber Nanoclustern aus Einzelschuss-Weitwinkel Streubildern, die nur einen eingeschränkten Informationsgehalt haben. Es zeigt sich, dass Neuronalen Netzen bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten können und dabei signifikant schneller sind als klassische Rekonstruktionsalgorithmen. Durch Training durch die Streuphysik selbst erreicht diese Rekonstruktion in einer bisher unerreichten Detailschärfe, sogar für Objekte, die außerhalb des Raumes der Trainingsdaten liegen. Weiter wird ein dynamisches Anregungsschema für Giant Dipole Zustände von Rydbergexzitonen in Kupferoxydul mittels Deep Reinforcement Learning hergeleitet, das anhand einer atomaren Simulationsumgebung trainiert wird.