Projekte

RAIS² bündelt Forschungsprojekte, die von methodischer und technischer Grundlagenforschung über Anwendungen in Natur-, Lebens-, Material- und Umweltwissenschaften bis hin zu Fragen in Wirtschaft, Recht und Gesellschaft reichen. Wir verbinden technische Innovation und datengetriebene Forschung mit rechtlichen, philosophischen, sozial- und wirtschaftswissenschaftlichen Perspektiven. So entstehen inter- und transdisziplinäre Projekte, die KI-Systeme und digitale Technologien nicht nur konzipieren und analysieren, sondern auch kritisch einordnen und Wege aufzeigen, wie sie verantwortungsvoll und zum Nutzen von Wissenschaft und Gesellschaft eingesetzt werden können.

AI Technology

Nichtlineare optimale Feedback-Regelung mit tiefen neuronalen Netzen ohne den Fluch der Dimension Einklappen

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!

Fördungshinweis:

Das Projekt ist gefördert durch die Deutsche Forschungsgemeinschaft, im Rahmen des Schwerpunktprogramms 2298 „Theoretische Grundlagen von Deep Learning“ (https://www.foundationsofdl.de/)

AI for Materials

Copolymer Informatics: Blending digital technologies and copolymer chemistry (COIN)Einklappen: 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.
Kombinierte experimentelle und theorie-basierte Optimierung von Korngrenzen in organischen Halbleitern Einklappen: 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.

Fördungshinweis:

Gefördert durch die Deutsche Forschungsgemeinschaft
Identifikation Neuartiger Perowskit-Analogmaterialien Mittels Theoretischer und ML Methoden Einklappen: 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.

Fördungshinweis:

Das Projekt ist gefördert durch die Deutsche Forschungsgemeinschaft.

AI for Business and Industry

Die Datenschutz-Sandbox Einklappen

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

Data4Collar Einklappen

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

Lerneinheiten zum Thema "Generative KI"Einklappen

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

Forschungsgruppe SOURCED Einklappen

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

ProcessPig Einklappen

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)

NFDIxCS Einklappen

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

AI for Society

Explainable Intelligent Systems (EIS)Einklappen

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.

Fair AI Research for Law Enforcement Agencies (FAIRLEA)Einklappen

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

For the Greater Good? Deepfakes in der Strafverfolgung (FoGG)Einklappen

Generative KI ermöglicht die Erstellung und Manipulation täuschend echter synthetischer Medien, sogenannter Deepfakes. Diese Technologien werden zunehmend für Betrug und Desinformation genutzt und stellen die Strafverfolgung vor ein Dilemma: Einerseits entstehen neue Herausforderungen bei der Beweiswürdigung und der Begründung von Tatverdacht. Andererseits eröffnen sich neuartige Ermittlungsoptionen, etwa durch den Einsatz digitaler Klone zur Infiltration krimineller Netzwerke.

Das interdisziplinäre Forschungsprojekt FoGG untersucht diese Implikationen systematisch. Ein Team aus Philosophie, Rechtswissenschaft und Wirtschaftsinformatik analysiert nicht nur die technischen Möglichkeiten, rechtlichen Rahmenbedingungen sowie ethischen und gesellschaftlichen Konsequenzen des Einsatzes von Deepfakes in Ermittlungen, sondern auch deren Auftreten und Wirkung in unterschiedlichen Kontexten der Strafverfolgung. Zentrale Fragen sind: Wie lässt sich der Einsatz von Täuschungstechnologien durch staatliche Behörden mit dem Rechtsstaatsprinzip vereinbaren? Welche Risiken bestehen für geklonte Personen? Führt staatliche Nutzung zu einer unerwünschten Legitimierung der Technologie und untergräbt das Vertrauen in digitale Kommunikation?

Im Projekt FoGG findet die erste umfassende Untersuchung dieses rechtlich, ethisch und technisch weitgehend unerforschten Feldes statt. Während bisherige Forschung primär den Schutz vor Deepfakes adressiert, fehlt eine systematische Analyse ihres möglichen Einsatzes durch Strafverfolgungsbehörden. Das Projekt beleuchtet das gesamte Spektrum – von technischer Generierung und Erkennung über erkenntnistheoretische und gesellschaftliche Implikationen bis hin zu konkreten verfassungs- und strafprozessualen Fragen.

Erwartete Ergebnisse sind eine differenzierte Risiko-Nutzen-Analyse, ein interaktiver Demonstrator sowie praxisnahe Regulierungsvorschläge und Handlungsempfehlungen für Strafverfolgung und Gesellschaft.

Mehr Informationen finden Sie hier!

Förderungshinweis: Bayerisches Forschungsinstitut für Digitale Transformation (bidt)