|
DaFne
|
Plattform Data Fusion Generator für die Künstliche Intelligenz
Im Projekt wird eine erweiterbare und offene Plattform entwickelt, die Trainingsdaten für KI- und ML-Algorithmen synthetisch generiert. Zur Umsetzung sollen im Projekt flexible Methoden entwickelt werden, um Daten zu generieren, auf deren Basis robuste Kl-Modelle erzeugt werden können, die sich in unterschiedlichen Anwendungsszenarien einsetzen lassen. Damit können beispielsweise Datensätze mit Randfällen angereichert werden, um KI-/ML-Algorithmen für spezielle Anwendungsszenarien zu trainieren oder auch um das Verhalten von KI-/ML-Algorithmen für bestimmte Zusammensetzungen der Trainingssets zu validieren. Die zu entwickelnde Plattform wird unter realen Bedingungen exemplarisch für das Anwendungsgebiet Smart Cities erprobt und über den Förderzeitraum hinaus den KI-/ML-Wissenschaftlern und KI-/ML-Entwicklern zur Datengenerierung für verschiedene Projekte zur Verfügung gestellt.
Projektpartner:
Hamburger Informatik Technologie-Center (HITeC) e.V., Sopra Steria SE, Leibniz Universität Hannover, Ströer Core GmbH & Co. KG, Technische Universität Dresden, HafenCity Universität Hamburg
Projektblatt
|
|
DARE
|
Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme
Im Projekt wird ein Open-Source Simulations- und Benchmarkframework entwickelt, das den Betrieb von heterogenen und volatilen Energienetzen mit Hilfe von RL-basierten Regelungs- und Betriebsstrategien steuert. Im Projekt wird hierzu eine quelloffene Entwicklungstoolbox erarbeitet, die unterschiedliche Modellklassen und datengetriebene Verfahren aus dem Bereich des Maschinellen Lernens, sowie quantifizierbare Maßstäbe (Benchmarks) beinhaltet. Die hierfür erforderlichen synthetischen Daten zum Training von RL-basierten Regelungs- und Betriebsstrategien sollen zur Laufzeit des ML-Verfahrens dynamisch erzeugt werden und in einer Simulationsumgebung validiert werden.
Projektpartner:
Universität Paderborn
Projektblatt
|
|
Emonymous
|
Sprecheranonymisierung unter Erhalt emotionaler Ausdruckswirkung
Durch die technologischen Fortschritte im Bereich der Künstlichen Intelligenz (KI), halten auch interaktive und intelligente Sprachassistenten mehr und mehr Einzug in den gesellschaftlichen Alltag. Aus datenschutzrechtlichen Gründen ist deren Einsatz jedoch meist auf Anwendungen im privaten Bereich beschränkt. Insbesondere die Möglichkeit, Sprechende auf Basis einer Vielzahl an erhobenen Daten zu identifizieren, verhindert einen effektiven Einsatz von Sprachassistenten in datenschutzrechtlich sensiblen Bereichen wie beispielsweise dem Gesundheitssektor oder der Lernunterstützung. Ziel des Verbundvorhabens „Emonymous“ ist es, die Identität der Sprechenden bei der Anwendung intelligenter Sprachassistenten vollständig zu anonymisieren und dabei wichtige sprachliche sowie emotionale Informationen weitestgehend zu erhalten.
Projektpartner:
Otto-von-Guericke-Universität Magdeburg, Technische Universität Berlin, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Projektblatt
|
|
iPMT
|
Datensynthese für Anwendungen in der intelligenten Partikelmesstechnik
Ziel des Projekts iPMT ist es, Methoden zur Synthese von Trainingsdaten für KI-Verfahren zu entwickeln, die die aufwändige manuelle Auswertung reduzieren oder ganz überflüssig machen und die Qualität der resultierenden Daten zu erhöhen.
Projektpartner:
Universität Duisburg-Essen, Friedrich-Alexander-Universität, LUM GmbH, SOPAT GmbH
Projektblatt
|
|
LeRntVAD
|
Interpretierbares Generatives Maschinelles Lernen zur intelligenten Regelung von Ventricular Assist Devices
Im Projekt LeRntVAD soll ein synthetisches, d. h. ein auf künstlich erzeugten Daten basierendes Simulationsmodell für das Herz-Kreislauf-System erstellt werden. Als Basis dient eine bestehende Datenbank mit den Daten aus 46 Tierversuchen an Schweinen aus dem Projekt ”Smart Life Support 2.0“, das durch die DFG gefördert wurde. Dieses Modell wird in der Anwendung genutzt, um einen auf künstlicher Intelligenz (KI) basierten Regler für linksseitige Herzunterstützungssysteme (Ventricular Assist Devices – VADs) zu entwerfen.
Projektpartner:
RWTH Aachen - IRT, Universitätsklinikum Aachen, Universität Bielefeld
Projektblatt
|
|
MeSSeR
|
Mensch-unterstützte Synthese von Simulationsdaten für die Robotik
In MeSSeR wird untersucht wie die Mensch-unterstützte Synthese von Simulationsumgebungen dazu beiträgt, gelernte Handlungen in die echte Welt zu übertragen und wie dieser Ansatz durch den Einsatz erweiterter und virtueller Realitäten (AR/VR) umgesetzt werden kann. AR und VR ermöglichen eine intuitive Interaktion und erleichtern die räumliche Wahrnehmung der simulierten Umgebung und deren Variabilitätsmodell durch den Menschen.
Projektpartner:
OFFIS e.V, Universität Duisburg-Essen
Projektblatt
|
|
poSt
|
Synthetische Daten für die ML-Segmentierung von FIB-REM-Nanotomografien hoch poröser Strukturen
In diesem Vorhaben soll untersucht werden, welche Eigenschaften der Materialstruktur maßgeblich für eine gute Rekonstruktion sind. Es soll eine Strategie zur Auswahl von Trainingsdaten entwickelt werden, die das Training eines Neuronalen Netzes ermöglicht, das für größere Klassen von Strukturen und Bildgebungsparametern gute Ergebnisse liefert. Da die Erzeugung der synthetischen Daten rechenaufwändig ist, wird die experimentelle Untersuchung durch eine systematische, mathematische Analyse des zugrundeliegenden Problems ergänzt.
Projektpartner:
Technische Universität Kaiserslautern, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Projektblatt
|
|
Sim4Dexterity
|
Multimodale Physik- und Sensorsimulation zur Synthese von Trainingsdaten für die Roboter-Manipulation
Im Projekt werden adaptierbare Simulationsmodelle und -umgebungen für typische Handhabungs- und Montagetätigkeiten entwickelt, die ein breites Anwendungsfeld in verschiedenen Industriezweigen abdecken sollen. Auf Basis dieser Modelle können die ML-/KI-Algorithmen eine neue Roboteranwendung virtuell trainieren und entwickeln, d. h. zunächst ohne reale Hardware (Roboter, Objekte und Umgebungen). So kann bereits im Vorfeld von Investitionsentscheidungen die Machbarkeit der Zielanwendung geprüft werden. Kernaufgabe des Projektes ist, die erforderlichen Modellelemente und „künstlichen“ Daten für eine ganzheitliche Simulation (taktile Sensorik, Objekterkennung, physikalische Eigenschaften der Roboter und der Umgebung etc.) zu entwickeln. Auf deren Basis können die Roboter das Handhaben der fraglichen Objekte selbständig erlernen. Die dafür erforderlichen umfangreichen Datensätze sollen mit Hilfe der Simulationen erzeugt werden, da vergleichbare Realdaten nicht mit einem wirtschaftlich vertretbaren Aufwand beschafft werden können.
Projektpartner:
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., Universität Bielefeld, Optonic GmbH, T-Systems International GmbH, Liebherr-Verzahntechnik GmbH, Daimler Truck AG, EHI Retail Institute GmbH, Käpple Qualitätsleister e.K.
Projektblatt
|
|
SiMaLeSAM
|
Simulations-basiertes Maschinelles Lernen für Superauflösungs- Mikroskopie
Der Fokus des Projektes liegt auf der superauflösenden Fluoreszenzmikroskopie, aber die ML-Methoden zur Optimierung und Anpassung von Simulationen sind flexibel auf eine Vielzahl von Bildgebungsverfahren und Rekonstruktionsproblemen anwendbar.
Projektpartner:
Eberhard Karls Universität Tübingen, Europäisches Laboratorium für Molekularbiologie
Projektblatt
|
|
SmartVMI
|
Synthetisierung von Machine-Learning-Trainingsdaten in der IT-Security-Domäne für VMI-basierte Angriffserkennung und -analyse
Das Vorhaben hat zum Ziel, die KI-gestützte Angriffserkennung, -abwehr und -analyse zu verbessern sowie die digitale Forensik zu unterstützen. Dazu sollen im Vorhaben Methoden zur Generierung maßgeschneiderter synthetischer Trainingsdaten für KI-Algorithmen entwickelt werden. Mit diesen können zum einen robuste Profile zur Systemüberwachung gewonnen und zum anderen effektiv zwischen „normalen“ und „abnormalen“ Systemzuständen unterschieden bzw. Anomalien besser erkannt werden können. Hierdurch müssen Daten nicht erst mühsam und eventuell zeitverzögert erhoben werden, sondern können zeitnah (ggf. auch präventiv) und gezielt generiert werden. Der große Nutzen entsteht dabei, Angriffserkennungsmechanismen sowohl an neue Angriffe, als auch an neue Softwaresysteme schneller anpassen zu können.
Projektpartner:
Universität Passau, Innowerk-IT GmbH, G DATA Cyberdefense AG
Projektblatt
|
|
SydaPro
|
Synthetische Daten in der Produktion
Im Projekt werden synthetische „Produktionsdaten“ erzeugt, auf deren Basis die KI-basierten Vorhersagemodelle „trainiert“ werden können. Ausgehend von vorhandenen Reaidaten und physikalischem Vorwissen sollen mit stochastischen Methoden umfangreiche, künstliche (synthetische) Datensätze erzeugt werden, die realistische und repräsentative Merkmale sowie auch gezielt vorgegebene Anomalien aufweisen. Die Analyse und Adaption geeigneter Methoden und Algorithmen für die Erzeugung der synthetischen Daten ist die Kernaufgabe des Projektes. Während der Arbeit werden Best Practices abgeleitet. Der Nutzen der Projektergebnisse soll anhand von Demonstratoren gezeigt werden. Dies ist zum einen die Qualitätsprüfung Getriebemotoren und zum anderen die Optimierung von Produktionsabläufen durch verteilte Micro-Services (Reaktion auf Störungen in den Bereichen Markt, Operationen, Menschen, Logistik u. Qualität).
Projektpartner:
Technische Hochschule Ostwestfalen-Lippe, Fraunhofer Gesellschaft für angewandte Forschung e.V., bhn Dienstleistungs GmbH & Co. KG, PHOENIX CONTACT Electronics GmbH
Projektblatt
|
|
SyLas-KI
|
Synthetische Lastzeitreihen für Energiesystemanalysen mit Verfahren der Künstlichen Intelligenz
Ziel des Vorhabens SyLas-KI ist es, mit speziellen KI-Methoden synthetische Lastzeitreihen für unterschiedliche Verbrauchertypen zu erzeugen, die in ihrer Charakteristik nicht von realen Messdaten zu unterscheiden sind, aber gleichzeitig eine weitestgehende Anonymisierung gewährleisten. Durch Selbstklassifizierungsverfahren sollen außerdem wichtige Einflussgrößen in realen Messdaten erfasst werden, um daraus das Verhalten unterschiedlicher Verbraucher akkurat abzubilden. Die synthetischen Lastzeitreihen sollen dann im Rahmen des Vorhabens in einer KI-basierten Netzzustandsschätzung angewendet werden.
Projektpartner:
Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik, Universität Kassel, Georg-August-Universität Göttingen, Green Excellence GmbH
Projektblatt
|
|
Syn4Syn
|
Modellierung von 3D-Organoiden für die pharmazeutische Wirkstoffforschung durch Kombination aus Experiment, KI und Biophysik
Ziel des Projekts ist es, biologische 3D-Datensätze auf der Grundlage von realen Daten naturgetreu zu synthetisieren und diese auf Basis von tiefen neuronalen Netzen zu trainieren und zu etablieren. Damit sollen die 3D-Bilddaten aus den Experimenten, z. B. 3D-Zellkulturen, zuverlässig und automatisiert bewertet werden können. Die optischen Effekte in den 3D-Aufnahmen, wie z. B. Punktspreizung, abnehmende Fluoreszenz in der Tiefe sowie die biophysikalischen Vorgänge wie z. B. Grenzflächenspannungen, Migrationsbewegungen, die zu Inhomogenitäten in den 3D-Aufnahmen führen, sollen durch physikalische Modelle nachgebildet werden. Diese Modelle werden in das Training der tiefen neuronalen Netze einfließen, um auch bei wenigen Trainingsdaten synthetische Bilder mit hohem Realitätsgrad, einschliesslich der zugehörigen „Ground Truth“, generieren zu können. Die entwickelnden Methoden sollen in grafischen Benutzerschnittstellen gekapselt und dokumentiert werden, um den fachfremden Anwender den Zugang zu den entwickelten Methoden gewähren zu können.
Projektpartner:
Sondervermögen Großforschung beim Karlsruher Institut für Technologie, Hochschule Mannheim
Projektblatt
|
|
SynDAB
|
Synthetische Daten für die Entwicklung von autonomen Bau- und Arbeitsmaschinen
Das Projekt SynDAB wird erstmalig eine direkt angewandte Methode und Tech-nologie liefern, um synthetische Daten für die Entwicklung und zur kosteneffi-zienten und zuverläs-sigen Prüfung und Freigabe von autono-men Bau- und Arbeitsmaschinen zu generieren. Bisher existiert keine Lösung im Bereich von autonomen Bau- und Arbeitsmaschinen zur Erzeugung von Daten, die seltene Fälle und insbesondere kritische Systemsituationen abdecken, um die für die Autonomie benötigten Modelle zu trainieren oder deren Korrektheit bzw. Zuverlässigkeit zu zeigen. Die Arbeiten erfolgen für die Altlastenaufarbeitung, einem spezifischen Anwendungsfall autonomer Bau- und Arbeitsmaschinen.
Projektpartner:
Universität Stuttgart, Fraunhofer IOSB, TTI GmbH, ICP Ingenieurgesellschaft
Projektblatt
|
|
SynDICAD
|
Erzeugung Synthetischer Daten für die Anwendung Künstlicher Intelligenz bei Computergestützten Biomarker Analysen in der Digitalen Pathologie
Ziel ist die Entwicklung neuartiger Methoden zur Datensynthese und das Erweitern synthetischer WSI. Die bestehenden Bilddatensätze sollen in realistischer Weise angereichert werden. Ebenfalls sollen Kenngrößen für die Repräsentativität von Bilddatensätzen in der Pathologie entwickelt werden
Projektpartner:
RWTH Aachen - LfB, Medizinische Hochschule Hannover , Fraunhofer Institute for Digital Medicine MEVIS
Projektblatt
|
|
SynosIs
|
Synthetische, optisch realistische Bilddaten von Oberflächenstrukturen für KI-basierte Inspektionssysteme
Im Vorhaben SynosIs werden Physik, Mathematik und Informatik verknüpft, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher unerreichter Realitätsnähe zu generieren. Diese garantiert korrekt und objektiv markierten Fehlerbilder stehen nach Projektende für Training und Validierung von KI für die optische Oberflächeninspektion zur Verfügung und vereinfachen und beschleunigen so deren Entwicklung.
Projektpartner:
Fraunhofer ITWM und IOF, Technische Universität Kaiserslautern
Projektblatt
|
|
SyReal
|
Synthetisierung von realistischen Daten für anwendbare Künstliche Intelligenz in der Medizin
Im Vorhaben werden realistische medizinische Bilddaten erzeugt, um die Entwicklung von KI-Anwendungen in der Medizin zu ermöglichen, die transparent, sicher und verlässlich sind. Hierbei werden verschiedene Bildartefakte in den künstlichen Daten abgebildet. Ziel ist es, dass diese Bildartefakte eliminiert, bestehende Bilder verändert oder neue Artefakte eingefügt werden können. Damit werden KI-Anwendungen weniger anfällig für Fehler. Das Projekt soll dabei unterstützen, dass in der Medizin anwendbare KI entwickelt und neue KI-gestützte Produkte validiert werden können. Das Vorhaben ist darauf fokussiert, realistische Bilddaten im Bereich der Magnetresonanz und der Gewebeschnitte zu erzeugen.
Projektpartner:
Hasso-Platter-Institut für Digital Engineering gGmbH, Fraunhofer-Institut für Nachrichtentechnik – Heinrich-Hertz-Institut, Max-Delbrück-Centrum für Molekulare Medizin in der Helmholtz-Gemeinschaft, Ludwig-Maximilians-Universität München, ImFusion GmbH, Aignostics GmbH
Projektblatt
|
