Projekte

Optimale Regelung mittels Feedback ist eines der Hauptanwendungsgebiete von Deep Learning. Deep Reinforcement Learning, eines der Verfahren zur Berechnung optimaler Feedbacks und wohl einer der erfolgreichsten Algorithmen der Künstlichen Intelligenz, steht hinter den spektakulären Erfolgen in Spielen wie Schach und Go, hat aber auch mannigfache Anwendungen in Wissenschaft, Technik und Wirtschaft. Dieses Projekt erforscht die mathematischen Grundlagen dieses erfolgreichen Ansatzes.

Unser Ziel ist die Identifikation von Bedingungen, unter denen die hochdimensionalen Funktionen, die in der optimalen Steuerung berechnet werden müssen, effizient (d.h. unter Vermeidung des Fluchs der Dimensionalität) durch tiefe neuronale Netze (TNNs) approximiert werden können. Insbesondere betrachten wir zum einen optimale Wertfunktionen, die als eindeutige Viskositätslösungen von Hamilton-Jacobi-Bellman-PDEs dargestellt werden. Andererseits betrachten wir Kontroll-Lyapunov-Funktionen (clfs), die die optimalen Wertfunktionen ersetzen, wenn der Zustand eines Systems asymptotisch (nicht notwendigerweise auf optimale Weise) auf einer gewünschten Menge oder in einem Sollwert stabilisiert werden soll.

Dies ist das erste uns bekannte Projekt, dass eine rigorose mathematische Erklärung dafür sucht, warum und unter welchen Bedingungen tiefes Reinforcement Learning in hohen Dimensionen gut funktioniert.

Wir erwarten eine Menge von strukturellen Bedingungen, die den Entwurf von optimalen Regelungsproblemen so erlauben, dass sie effizient in hohen Dimensionen gelöst werden können. Darüberhinaus erforschen wir die Fähigkeit von ReLu TNNs, Probleme zu lösen, die nur nichtglatte Lösungen besitzen.

Mehr Informationen finden sie hier!

Gemeinsames Graduiertenkolleg der Universitäten Bayreuth und Jena, das Polymerchemie mit Informatik und Robotik kombiniert. Ziel ist es, Copolymere gezielt zu designen und verarbeitet zu analysieren.

Basierend auf ab-initio Simulationen von Barrieren die Ladungstransport behindern nutzen wir maschinelles Lernen, um die Korngrenzen organischer Halbleiter-Dünnfilme so zu gestalten, dass sie für den Einsatz in organischen Feldeffekttransistoren optimiert sind. Unsere Modelle identifizieren neuartige Moleküle, die anschließend von unseren experimentellen Partnern synthetisiert und getestet werden. Dieser neuartige integrierte Ansatz wird effizientere organische Transistormaterialien offenlegen, indem er Transportverluste minimiert.

Dieses Projekt zielt darauf ab, neuartige bleifreie Perowskit-Analogmaterialien für photovoltaische Anwendungen zu entdecken. Zu diesem Zweck verwenden wir First-Principles-Berechnungen zur Effizienz und Stabilität der Materialien, die wir anschließend nutzen, um erklärbare ML-Modelle zu trainieren. Diese Modelle dienen nicht nur dazu, die Reichweite der (ansonsten recht kostspieligen) Berechnungen zu erweitern, sondern auch, um allgemeinere Designprinzipien zu identifizieren, die zu den gewünschten Materialeigenschaften führen. Im Rahmen des IRTG OPTEXC werden unsere vorhergesagten Materialien in einem automatisierten Hochdurchsatzlabor an der Monash University in Melbourne, Australien, synthetisiert und charakterisiert. Diese Experimente dienen dabei nicht nur zur Überprüfung unserer Vorhersagen, sondern auch zur Bereitstellung weiterer Daten für unsere ML-Modelle.

Die in diesem Projekt zu entwickelnde KI-gestützte Plattform revolutioniert die Materialentwicklung, Produktion und Qualitätssicherung in Unternehmen und steigert dadurch deren Wettbewerbsfähigkeit durch den Einsatz digitaler Technologien. Durch die Anwendung der KI-Methode „Bayesian Optimization“ minimiert die Plattform den experimentellen Aufwand und reduziert Ausschuss erheblich, was zu deutlichen Einsparungen bei Zeit, Kosten, Personal und Rohmaterialressourcen führt. Die benutzerfreundliche Webplattform erfordert keine tiefgehenden IT-Kenntnisse und bietet innovative Funktionen wie eine Programmierschnittstelle zur Anbindung von Maschinen und eine GenAI-basierte Chat-Unterstützung sowie die Möglichkeit, sie auf unternehmenseigenen Servern zu installieren, um höchste Datenschutzanforderungen zu erfüllen. Die Plattform wird direkt in den teilnehmenden Unternehmen implementiert und evaluiert, um eine praxisnahe Weiterentwicklung und optimale Anwendbarkeit der Technologie sicherzustellen. Ziel des Projekts ist es, die Wettbewerbsfähigkeit der teilnehmenden Unternehmen durch diese effizienteren Entwicklungsprozesse deutlich zu verbessern.

Das Projekt wird von der Europäischen Union gefördert.

Das ERC-geförderte Projekt Generative Polymer Informatics (genPI) nutzt transformerbasierte künstliche Intelligenz, um die Entdeckung und Entwicklung von Polymeren zu beschleunigen. Angesichts des wachsenden Bedarfs an nachhaltigen und fortschrittlichen Materialien zielt genPI darauf ab, zentrale Herausforderungen der Polymerwissenschaft zu lösen. Dies geschieht durch die Erkundung riesiger chemischer Polymerräume, die präzise Vorhersage von Materialeigenschaften, die Entwicklung neuartiger Strukturen mit spezifischen Funktionen sowie die Bestimmung geeigneter Synthesewege.

Das Projekt konzentriert sich auf vier Hauptziele: die schnelle Erkundung großer chemischer Polymerräume, die genaue Vorhersage von Materialeigenschaften, die Entwicklung maßgeschneiderter Polymerstrukturen und die Vorhersage von Syntheserouten. Unterstützt werden diese Arbeiten durch ein Framework, das eine einfache Extraktion von Daten, die Integration von Workflows und den breiten Zugang zu Werkzeugen sicherstellt. Durch den Einsatz von maschinellem Lernen kehrt genPI zudem den traditionellen Entwicklungsprozess um und ermöglicht es Forschenden, Polymere mit präzisen, vorab definierten Eigenschaften zu entwickeln. Diese interdisziplinäre Verbindung von Materialtechnik, Polymerwissenschaft und KI soll neue Materialklassen erschließen, die ökologische Nachhaltigkeit und das Gesundheitswesen unterstützen, und zugleich fortschrittliche Forschungswerkzeuge für Wissenschaft und Industrie zugänglich machen.

Das Projekt DiReSiC konzentriert sich auf die Digitalisierung von Herstellungsprozessen für Hochleistungskeramiken auf Basis von Siliziumkarbid. Dabei werden Prozessdaten, Materialdaten, semantische Technologien und Methoden des maschinellen Lernens miteinander verknüpft, um die Rückverfolgbarkeit, Analyse und Optimierung keramischer Produktionsprozesse zu verbessern.

Ziel ist es, eine konsistente digitale Darstellung der gesamten Herstellungskette zu schaffen, von den Rohstoffen und Prozessparametern bis hin zu den Eigenschaften und der Qualität der fertigen keramischen Bauteile. Die daraus entstehende Dateninfrastruktur soll maschinelles Lernen, die Prozessoptimierung, die Wiederverwendung recycelter Materialien und die Entwicklung ressourceneffizienterer Herstellungsverfahren unterstützen.

Das Projekt führt Daten verschiedener Partner, Herstellungsstufen und technischer Systeme in einem gemeinsamen semantischen Rahmen zusammen. Dazu wird eine domänenspezifische Ontologie entwickelt, um die Terminologie zu standardisieren und heterogene Daten maschinenlesbar sowie interoperabel zu machen. Diese strukturierten Daten werden anschließend von Modellen des maschinellen Lernens genutzt, um Zusammenhänge zwischen Prozessparametern und Materialeigenschaften zu identifizieren und datenbasierte Vorhersagen sowie Optimierungen zu ermöglichen.

Zu den erwarteten Ergebnissen gehören eine gemeinsame Ontologie und Dateninfrastruktur für die Herstellung von Hochleistungskeramiken, eine verbesserte Rückverfolgbarkeit von Materialien und Prozessschritten, standardisierte Datensätze der Projektpartner sowie Modelle des maschinellen Lernens zur Vorhersage von Material- und Bauteileigenschaften. Darüber hinaus soll das Projekt Empfehlungen zur Optimierung der Herstellungsprozesse, zur Verbesserung der Produktqualität, zur verstärkten Nutzung recycelter Materialien und zur Reduzierung des Ressourcenverbrauchs liefern.

Das Projekt ist gefördert vom Ministerium für Forschung, Technologie und Raumfahrt. Mehr Informationen finden Sie hier: Link.

Das Projekt „Die Datenschutz-Sandbox“ entwickelt einen regulatorischen Experimentierraum, in dem Unternehmen und Behörden neue digitale Anwendungen unter realen Bedingungen datenschutzkonform testen können. Ziel ist es, Datenschutzprobleme frühzeitig zu identifizieren und Innovationen rechtskonform zu ermöglichen. Begleitet von der Universität Bayreuth und dem LfDI Rheinland-Pfalz werden rechtliche und technische Rahmenbedingungen analysiert, eine Sandbox eingerichtet und ein Leitfaden für Datenschutzbehörden erarbeitet (Beginn Oktober 2024, 3 Jahre, 1,01 Mio. Euro, BMBF-gefördert).

Mehr Informationen finden Sie hier!

Förderhinweis: Bundesministerium für Forschung, Technologie und Raumfahrt

Beim Projekt Data4Collar geht es um zwei Verfahren, die bei der industriellen Herstellung vieler funktionaler Bauteile ineinandergreifen: Scherschneiden und Kragenziehen. Neueste Technologien der Datenanalyse und eine darauf basierende Modellierung der Prozessketten sollen eine fehlerfreie Fertigung sicherstellen.

Mehr Informationen finden Sie hier!

Förderhinweis: DFG

Im Rahmen des Projekts Smart-VHB werden neue Lerneinheiten zum Thema "Generative KI" erstellt. Die Lehreinheiten werden nach Fertigstellung über die virtuelle hochschule Bayern (vhb) zugänglich sein.

Mehr Informationen finden Sie hier.

Förderhinweis: vhb, virtuelle digitale Hochschule

Ziel der DFG Forschungsgruppe SOURCED ist es , die methodischen Grundlagen neuartiger Process-Mining-Techniken für Daten des „Internet der Dinge“ bereitzustellen.

Mehr Informationen finden Sie hier.

Förderhinweis: DFG

Datengetriebene Prozessanalyse für ein kontextsensitives Management von Funktionsbereichen zur Emissionsminderung und Förderung von Tierwohl in freibelüfteten Schweineställen mit Auslauf: Sensoren, Videodaten und KI-Algorithmen sollen künftig ein Monitoring-System bilden, das es ermöglicht, das Verhalten der Schweine in Echtzeit zu analysieren. Abweichungen von erwarteten Verhaltensmustern werden erkannt und als Schlüsselindikatoren visualisiert. Dadurch erhalten die Landwirte Hinweise auf potenzielle Probleme und können die Haltungsbedingungen der Tiere umgestalten, nicht zuletzt im Hinblick auf die klimatischen Verhältnisse im Stall. Durch die Nutzung von KI-gestützten Algorithmen zur Verhaltenserkennung können das Wohlbefinden der Tiere signifikant verbessert und der Umweltschutz erheblich gefördert werden [Laufzeit: 2023 bis 2026]

Mehr Informationen finden Sie hier!

Förderhinweis: Europäische Innovationspartnerschaften (EIP)

Das Kernziel des Konsortiums NFDIxCS ist es, Dienste zur Speicherung komplexer domänenspezifischer Datenobjekte aus der Breite der Informatik zu identifizieren, zu definieren und schließlich einzusetzen und damit die FAIR-Prinzipien flächendeckend umzusetzen. Das schließt die Produktion wiederverwendbarer Datenobjekte ein, die neben den verschiedenen Arten von Informatikdaten auch die zugehörigen Metadaten sowie die entsprechende Software, Kontext- und Ausführungsinformationen in standardisierter Form enthalten.

Mehr Informationen finden Sie hier.

Förderhinweis: DFG

Ziel ist die Erforschung, wie KI-Systeme erklärbar gemacht werden können, um verantwortungsvolle Entscheidungsprozesse, Vertrauen und Nachvollziehbarkeit zu ermöglichen – unter Einbezug rechtlicher, philosophischer und psychologischer Perspektiven.

Untersucht, wie KI in der Strafverfolgung legal und ethisch eingesetzt werden kann – z. B. zur Deanonymisierung in Kryptowährungssystemen unter besonderer Berücksichtigung datenschutz- und KI-Regeln auf EU- und Bundesebene​

Mehr Informationen finden Sie hier!

Förderungshinweis: Bayerisches Forschungsinstitut für Digitale Transformation (bidt)