Bay­reu­ther Mathe­ma­ti­ker for­schen zu den Grund­la­gen der Künst­li­chen Intelligenz

Symbolbild Bildung

Die Bay­reu­ther Mathe­ma­tik ist mit zwei For­schungs­pro­jek­ten am Schwer­punkt­pro­gramm 2298 „Theo­re­ti­cal Foun­da­ti­on of Deep Lear­ning“ der Deut­schen For­schungs­ge­mein­schaft (DFG) betei­ligt. Das Haupt­ziel die­ses Schwer­punkt­pro­gramms ist die Ent­wick­lung einer umfas­sen­den theo­re­ti­schen Grund­la­ge des Deep Lear­ning. Für die bei­den Pro­jek­te stellt die DFG der Uni­ver­si­tät Bay­reuth in den kom­men­den drei Jah­ren 418.800 € zur Verfügung.

Deep Lear­ning – ein Teil­be­reich der Künst­li­chen Intel­li­genz – erlebt einen bei­spiel­lo­sen Erfolg in rea­len Anwen­dun­gen: beim auto­no­men Fah­ren, in der Steue­rung von Strom­netz­ten oder im Gesund­heits­sek­tor. Gleich­zei­tig haben Deep-Lear­ning-basier­te Metho­den einen star­ken Ein­fluss auf die Wis­sen­schaft und erset­zen oft die hoch­mo­der­nen klas­si­schen modell­ba­sier­ten Metho­den, um mathe­ma­ti­sche Pro­ble­me zu lösen. Aber es feh­len der For­schung zu tie­fen neu­ro­na­len Net­zen weit­ge­hend die mathe­ma­ti­schen Grund­la­gen, die nötig sind, um die Feh­ler­an­fäl­lig­keit der Tech­ni­ken zu mini­mie­ren. Die von Prof. Dr. Lars Grü­ne und Prof. Dr. Anton Schie­la vom Lehr­stuhl für Ange­wand­te Mathe­ma­tik der Uni­ver­si­tät Bay­reuth gelei­te­ten Pro­jek­te befas­sen sich mit ver­schie­de­nen Aspek­ten die­ses maschi­nel­len Lernens.

Das Pro­jekt von Prof. Grü­ne dreht sich um die Fra­ge, wann tie­fe neu­ro­na­le Net­ze für hoch­di­men­sio­na­le Steue­rungs- und Rege­lungs­auf­ga­ben geeig­net sind, also für Auf­ga­ben, die von sehr vie­len Ein­fluss­grö­ßen abhän­gen. Sol­che Anwen­dun­gen gibt es unter ande­rem bei der Rege­lung von gro­ßen Netz­wer­ken, wie z.B. beim Manage­ment von Strom­net­zen mit einer hohen Zahl von erneu­er­ba­ren Ener­gie­quel­len. Aus der Pra­xis ist bekannt, dass Lern­ver­fah­ren aus der Künst­li­chen Intel­li­genz mit tie­fen neu­ro­na­len Net­zen für man­che sol­cher Auf­ga­ben sehr gut funk­tio­nie­ren, für man­che aber auch gar nicht. In dem Pro­jekt wird nach den mathe­ma­ti­schen Struk­tu­ren sol­cher Rege­lungs­auf­ga­ben gesucht, die der Grund dafür sind. Die Erfor­schung die­ser mathe­ma­ti­schen Grund­la­gen soll es ermög­li­chen, die Erfolgs­aus­sich­ten sol­cher Lern­ver­fah­ren bes­ser ein­zu­schät­zen und Regelungs¬aufgaben gezielt so zu ent­wer­fen, dass sie effi­zi­ent lös­bar sind. Damit kann zum Bei­spiel die Strom­ver­sor­gung in einem System zahl­rei­cher dezen­tra­ler Strom­quel­len – wie sie die Ener­gie­wen­de mit sich bringt – siche­rer werden.

Das Pro­jekt von Prof. Schie­la, das in Koope­ra­ti­on mit Prof. Dr. Roland Her­zog von der Uni­ver­si­tät Hei­del­berg durch­ge­führt wird, erforscht neue Metho­den aus der mathe­ma­ti­schen Opti­mie­rung für das Trai­ning tie­fer neu­ro­na­ler Net­ze. Die­se sol­len einer­seits ein effi­zi­en­te­res Trai­ning ermög­li­chen, ande­rer­seits die Bestim­mung von Para­me­tern, die der­zeit meist müh­sam von Hand gesetzt wer­den müs­sen, auto­ma­ti­sie­ren. Damit soll der Trai­nings­pro­zess der Künst­li­chen Intel­li­genz ein­fa­cher und zuver­läs­si­ger gestal­tet wer­den. Die­ses Pro­jekt zielt nicht auf eine kon­kre­te Anwen­dung tie­fer neu­ro­na­ler Net­ze ab, son­dern wird Metho­den ent­wickeln, die in sehr vie­len ver­schie­de­nen Situa­tio­nen ein­ge­setzt wer­den können.

Beginn des Schwer­punkt­pro­gramms, an dem gut 20 For­schungs­pro­jek­te bun­des­weit betei­ligt sind, ist im Herbst 2021. Link: https://​www​.spp2298​.de

Hin­ter­grund:

Machi­ne Lear­ning ist ein Teil­be­reich der Künst­li­chen Intel­li­genz, der Syste­me in die Lage ver­setzt, aus Daten zu ler­nen und sich zu ver­bes­sern – durch Ver­wen­dung von mathe­ma­ti­schen Opti­mie­rungs­me­tho­den. Sie wer­den unter ande­rem in der Bild­ver­ar­bei­tung, bei­spiels­wei­se bei der Erken­nung von Ver­kehrs­zei­chen in Autos oder bei der Steue­rung von Robo­tern ein­ge­setzt. Dabei wer­den die Ver­kehrs­zei­chen oder Robo­ter­be­we­gun­gen nicht fest ein­pro­gram­miert, son­dern durch das soge­nann­te Trai­ning vor­ge­ge­be­nen Daten ent­nom­men – oder eben „gelernt“. Deep Lear­ning ist ein Teil­be­reich des Machi­ne Lear­nings. Es nutzt neu­ro­na­le Net­ze, die Struk­tu­ren des mensch­li­chen Gehirns nach­emp­fun­den sind, und gro­ße Daten­men­gen (Big Data).

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.