Komplexe Systeme sind allgegenwärtig, ob in Umweltprozessen, menschlichem Verhalten oder biomedizinischen Anwendungen. Die zugrunde liegenden Prozesse solcher Systeme besser zu verstehen und adäquate Vorhersagen treffen zu können, stellt eine große Herausforderung dar. Maschinelle Lernverfahren und insbesondere Deep-Learning-Modelle bewältigen dies hauptsächlich, indem sie sich auf riesige Datenmengen stützen. Dies führt zu oft schwer verständlichen Modellen, aus denen es nicht ohne weiteres möglich ist, tiefere Einblicke in die entsprechende Domäne zu gewinnen. Gleichzeitig sind Hintergrundwissen sowie ein tieferes Verständnis komplexer Systeme für praktische Entscheidungsfindung und Planung unerlässlich. Hintergrundwissen mithilfe des Maschinellen Lernens zu integrieren, ermöglicht es Modelle zu erstellen, um bessere, robustere und generalisierbare Erklärungen und Vorhersagen erhalten zu können.