|
ADIMEM
|
Automatische, datengetriebene Inferenz in mechanistischen Modellen
Kurzfassung:
Ziel von ADIMEM ist es, Algorithmen zur Anpassung mechanistischer Modelle auf Messdaten zu entwickeln, um so die überlegende Interpretierbarkeit dieser Modelle mit der Leistungsfähigkeit des Maschinellen Lernens zu kombinieren. Die entwickelten Algorithmen sollen automatisch die Parameter eines Simulations-Modells bestimmen, die sowohl mit empirischen Daten als auch mit dem Vorwissen konsistent sind. Die resultierenden Modelle werden Einblicke in die zugrunde liegenden Mechanismen geben, und in der Praxis zu robusten und interpretierbaren Vorhersagen führen.
Projektpartner:
Technische Universität München, Eberhard Karls Universität Tübingen, Stiftung caesar
Ansprechpartner:
TU München
Projektblatt
Website
|
| AIAx |
Machine Learning-driven Engineering – Cax goes AIAx
Kurzfassung:
Ziel des Verbundprojektes AIAx ist es, die bestehenden ML-Verfahren in den Bereichen Nachvollziehbarkeit und Robustheit weiter zu entwickeln und für Anwendungen entlang des Produktentstehungsprozesses von der rechnergestützten Konstruktion CAD (Computer Aided Design) bis zur rechnergestützten Berechnung CAE (Computer Aided Engineering) durchgängig nutzbar zu machen. Um die breite Anwendbarkeit der ML-Verfahren sicher zu stellen, wird im Projekt ein Handlungsleitfaden erarbeitet, der die strukturierte Einführung von ML-Verfahren in der Industrie unterstützt. Die Methoden sollen auf Anwendungen in zwei Schlüsselbranchen (Automobil und Elektronik) des Produktentstehungsprozesses übertragen und anschließend validiert werden.
Projektpartner:
Daimler AG, Technische Universität Berlin, Karlsruher Institut für Technologie, Endress + Hauser SE + Co. KG, USU Software AG, DYNAmore Gesellschaft für FEM Ingenieurdienstleistungen mbH
Ansprechpartner:
Daimler AG
Website
|
| ALICE III |
Autonomes Lernen in komplexen Umgebungen
Kurzfassung:
Im Rahmen des Forschungsprojekts ALICE III sollen konkrete Ansätze erforscht und Methoden entwickelt werden, die die erläuterte Rückführung von Information aus dem abstrakten Lösungsraum der Maschinenlernmodelle in eine interpretierbare, physikalisch-technische Darstellung ermöglichen. Die praktische Erprobung gestaltet sich jedoch oftmals schwierig, weil entsprechende Daten und Anwendungsszenarios aus dem industriellen und technischen Umfeld für Forscher nicht offen zugänglich sind. Die Verbindung von TU Berlin als Forschungseinrichtung, idalab GmbH und Siemens als Industriepartner ermöglicht bei den Anwendungsszenarien „Gas- und Dampfturbinen Kraftwerke“ sowie „Offshore Windparks“ eine Verfügbarkeit von Daten aus komplexen physikalisch-technischen Systemen, gepaart mit Experten- und Domänenwissen. Im Ergebnis werden digital verbundene Energiesysteme neue Einsichten in die Betriebsbedingungen ermöglichen, die zu Strategien für verbesserte Leistungen und geringere Stickoxid-Emissionen führen.
Projektpartner:
Siemens AG, TU Berlin, idalab GmbH
Ansprechpartner:
Siemens AG
|
| DeepIntegrate |
Integration heterogener Datenquellen im Deep Learning: Architekturen, Algorithmen und Anwendung in der Pflanzenzüchtung
Kurzfassung:
Die Kombination der Vorteile von zwei Methoden, der Datenintegration und des tiefen maschinellen Lernens, ist das zentrale Ziel des Projekts DeepIntegrate. Mit diesem Projektvorhaben werden moderne, computergestützte Methoden entwickelt, erweitert und getestet, welche sehr ähnlich zum menschlichen Lernen, Daten aus unterschiedlichen Quellen nutzen, um Entscheidungen zu treffen und Vorhersagen zu machen. Ein erster konzeptioneller Beweis soll mit dem Projekt in der Pflanzenzüchtung geführt werden, in der eine Vielzahl an Daten und Datenquellen genutzt wird. Im Rahmen von DeepIntegrate werden Vorhersagemodelle entwickelt, die Bilddaten, genetische Daten und Umweltdaten in Kombination mit den neuen Methoden des maschinellen Lernens nutzen. Dies wird beispielsweise zu einer automatisierten Bewertung der Leistung von Pflanzensorten bei der Pflanzenzüchtung führen und so zur ressourcenschonenden Produktion von Nahrungsmitteln für eine wachsende Weltbevölkerung beitragen.
Projektpartner:
TU Kaiserslautern, NPZ Innovation GmbH
Ansprechpartner:
TU Kaiserslautern
Projektblatt
|
| Deep-PTL |
Entwicklung neuer Verfahren zum lebenslangen Lernen mit flexiblen Datenmodalitäten für die Produktions-, Transport- und Logistikautomation
Kurzfassung:
In der Produktions-, Transport- und Logistikautomation ist die Auswertung der anfallenden Prozessdaten mit Methoden des Maschinellen Lernens ein neues Betätigungsfeld. Gleichzeitig existieren Prozessabläufe, bei denen die aktuell genutzten Verfahren und Algorithmen aufgrund der schieren Masse, der sehr unterschiedlichen Art an verfügbaren Prozessdaten und der sich über die Zeit ändernden Prozessdaten an ihre Grenzen stoßen. Darüber hinaus fließen Entscheidungen von Facharbeitern, die nach automatischen Schritten manuell in Prozesse eingreifen, nicht in die vorangegangenen automatischen Schritte zurück, sodass kein nachhaltiger Lern- und Optimierungsprozess im laufenden Betrieb erfolgt. Das Projekt Deep-PTL verfolgt daher Ziel, neue Methoden des Maschinellen Lernens zur automatischen Analyse und Auswertung der großen Menge an verfügbaren Daten zu schaffen. Im Fokus steht dabei insbesondere die Entwicklung der Methode des tiefen Lernens (Deep Learning), um bisher manuelle Abläufe zu automatisieren und bereits automatisierte Abläufe zuverlässiger, effizienter und auch flexibler zu gestalten. Der direkte Nutzen der neu erarbeiteten Methoden wird darüber hinaus für drei typische industrielle Anwendungsfälle aus den Bereichen Produktion, Transport und Logistik anhand von realen Demonstratoren gezeigt.
Projektpartner:
SICK AG, Universität Freiburg, STILL GmbH
Ansprechpartner:
SICK AG
Projektblatt
|
| DeepRain |
Effiziente Lokale Niederschlagsvorhersage durch Maschinelles Lernen
Kurzfassung:
Ziel von DeepRain ist die Berechnung von Wahrscheinlichkeiten für starke, mittlere und schwache Regenereignisse (inklusive der zu erwartenden Niederschlagsmenge) und für das Auftreten von Gewittern im gesamten Bundesgebiet über einen Zeitraum von 24 Stunden mit einer räumlichen Auflösung von 1 km oder besser. Die Vorhersagen basieren auf Modellvorhersagen des Deutschen Wetterdienstes und Daten von Regenradaren, die aufgrund ihrer Messcharakteristik und Datenstruktur bislang kaum für solche Zwecke genutzt werden konnten. In dem Vorhaben werden Methoden des Maschinellen Lernens mit Systemen zur Datenbereitstellung und –prozessierung verbunden, um räumlich und zeitlich hoch aufgelöste Karten mit verbesserten und validierten Niederschlagsvorhersagen einschließlich der Darstellung ihrer Unsicherheiten zu generieren. Neben der eigentlichen Methodenentwicklung werden Aspekte der Daten-Kuration und Effizienz gezielt untersucht, um am Ende des Projektes eine vollständige Prozesskette zu demonstrieren, welche in eine operationelle Nutzung überführt bzw. in bestehende Workflows eingebettet werden kann.
Projektpartner:
Forschungszentrum Jülich GmbH, Deutscher Wetterdienst, Universität Osnabrück, Jacobs University Bremen, Universität Bonn
Ansprechpartner:
Forschungszentrum Jülich GmbH
Projektblatt
Website
|
| DeepScan |
Maschinelles Lernen zur automatisierten Erkennung von IKT-Sicherheitsvorfällen und Manipulationsversuchen
Kurzfassung:
Im Projekt DeepScan wird eine Lösung entwickelt, die ERP-Systeme auf sicherheitsrelevantes, anomales Verhalten kontinuierlich und automatisiert untersucht, um eine bewusste Manipulation schnellund sicher zu erkennen. Die Lösung soll dabei in rechtskonformer Weise auf die jeweils erforderlichen Analysen beschränkt sein. Da bei diesen Vorgängen potentiell eine große Menge an unternehmensinternen und personenbezogenen Daten analysiert und verarbeitet wird, ist es zwingend erforderlich, das Projekt datenschutzrechtlich zu begleiten. Dies wird durch entsprechende Experten im Projektkonsortium sichergestellt.
Projektpartner:
Universität Würzburg,godesys AG, TGS Audit & Tax GmbH, datenschutz süd GmbH
Ansprechpartner:
Julius-Maximilians-Universität Würzburg
Projektblatt
Website
|
| DeToL |
Deep Topology Learning
Kurzfassung:
Ziel des DeToL Projektes ist es, den Entwurfsprozess für Deep-Learning-Lösungen durch automatische, datengetriebene Entwurfsalgorithmen entscheidend zu beschleunigen und zu vereinfachen. Erste Ansätze in diese Richtung deuten darauf hin, dass automatisch optimierte Lösungen sogar bessere Ergebnisse erreichen können als manuell erstellte. Mit DeToL wird es somit auch im Bereich Deep-Learning unerfahrenen Nutzern ermöglicht, entsprechende Modelle für neue Anwendungen in der Praxis einzusetzen.
Projektpartner:
Universität Mannheim, Universität Freiburg, Leibniz Rechenzentrum LRZ,
Fraunhofer ITWM, PSIORI GmbH
Ansprechpartner:
Universität Mannheim
|
| ITS.ML |
Intelligente Technische Systeme der nächsten Generation durch Maschinelles Lernen
Kurzfassung:
Die gegenwärtige Digitalisierung industrieller Prozesse schafft eine ideale Grundlage für den Transfer von ML-Innovationen in alle Bereiche industrieller Prozessketten und Geschäftsmo-delle. Das Ziel ist, kleine und mittlere Unternehmen vor Ort bei der Einführung von ML in die Unternehmen entlang der gesamten Wertschöpfungskette zu unterstützen. Hierfür werden die Unternehmen in Begleitprojekten beraten und eine Modellierung des ML-Problems vor-genommen. Zusätzlich werden auf einer Plattform ML-Verfahren sowie Best Practices den Unternehmen zur Verfügung gestellt. Das Vorhaben stellt sich dabei die Aufgabe, Grundla-gen- und Anwendungsforschung zu kombinieren und dabei die Bandbreite von kleinen und mittleren Unternehmen in ihren ML-Bedarfen nachhaltig abzudecken. Zusätzlich soll die Übertragbarkeit der entwickelten ML-Lösungen auf weitere Domänen (z. B. Gesundheitswirt-schaft) betrachtet werden.
Projektpartner:
Universität Bielefeld, Universität Paderborn, Fachhochschule Bielefeld, Hochschule Ostwestfalen-Lippe
Ansprechpartner:
Universität Bielefeld
Projektblatt
Website
|
| MADESI |
Maschinelle Lernverfahren für Stochastisch-Deterministische Multi-Sensor Signale
Kurzfassung:
Es sollen neue Verfahren entwickelt werden, um Szenarienanalysen auf Basis numerischer Simulation als Datenquelle für das Maschinelle Lernen verwenden zu können. Die neuen methodischen Ansätze für verschiedene Anwendungen werden im Bereich Windkraft getestet. Dazu bringen die Anwendungspartner im Projekt echte Sensordaten aus der Rotorblatt- bzw. Antriebsstrangüberwachung ein. Darauf basierend werden verschiedene Anwendungsszenarien mit unterschiedlichem Grad an Autonomie bzw. Mensch-Algorithmus-Interaktion untersucht, wie z. B. die Extraktion interpretierbarer Merkmale für Alterungsphänomene oder der Eisdetektion.
Projektpartner:
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V., Technische Universität Darmstadt, Weidmüller Monitoring Systems
Ansprechpartner:
Fraunhofer SCAI
Projektblatt
Website
|
| MechML |
Von Machine Learning zu mechanistischer Modellierung: Funktionelle Vorhersagen in Genomik und Medizin
Kurzfassung:
Ziel von MechML ist es, die Lücke zwischen ML-Methoden und relevanten Anwendungen in den Lebenswissenschaften zu schließen. Nicht nur aufgrund der verfügbaren Datenmengen, sondern auch Dank detaillierter mechanistischer Vorkenntnisse und der Möglichkeit biologische Systeme zielgerichtet zu beeinflussen, bietet sich die Biomedizin als Anwendungsfeld für interpretierbares und mechanistisches ML an. Damit werden bestehende Modelle verbessert und neue Ansätze im Bereich ML erforscht. Im Mittelpunkt steht dabei, die Ergebnisse des ML interpretieren zu können und die Methodik auf unterschiedliche Größen anzuwenden (skalierbares ML).
In Anwendungen in der Bioinformatik, der Genregulation, der Einzelzell-Genomik und in der Biomedizin wird die Nützlichkeit der entwickelten Methoden illustriert. Eine der entscheiden-den Herausforderungen in der genetischen Diagnostik ist die Interpretation seltener vererbter genetischer Varianten. Die Ergebnisse des Projektes werden verwendet, um z. B. damit per-sonalisierte Vorhersagen für den Patienten im Bereich der Krebstherapie zu ermöglichen.
Projektpartner:
Helmholtz Zentrum München, Max-Delbrück-Centrum für Molekulare Medizin, Europäisches Laboratorium für Molekularbiologie, Deutsches Zentrum für Neurodegenerative Erkrankungen e.V., Universität Bielefeld, Technische Universität München, Molecular Health GmbH
Ansprechpartner:
Helmholtz Zentrum München
|
| ML@KaroProd |
Maschinelles Lernen zur Prognose von Prozessparametern und Bauteilqualität in der automobilen Karosserieproduktion
Kurzfassung:
Im Vorhaben ML@KaroProd sollen Verfahren des Maschinellen Lernens genutzt und weiterentwickelt werden, um den Einfluss unscharfer bzw. nicht direkt messbarer Größen auf den jeweiligen Einzel- als auch auf den Gesamtprozess nachzuvollziehen und zu bewerten.
Im Mittelpunkt stehen dabei sowohl die Modellentwicklung als auch die Anwendung des Maschinellen Lernens zur Beschleunigung der Fertigungsplanung und des Serienanlaufs bei der Karosseriefertigung. Für die Entwicklung von Prognosemodellen zur Prozessoptimierung bzw. zur Qualitätssicherung in der Produktion sollen die in den Phasen vor und zu Beginn der Serienfertigung generierten Ein- und Ausgabedaten genutzt werden. Neben den prozess- bzw. bauteilbezogenen Kenngrößen soll zudem das fertigungstechnische Expertenwissen bei der Modellentwicklung berücksichtigt werden. Hierdurch sollen die Entwicklungszyklen von Karosseriebaugruppen deutlich beschleunigt und die Produktivität durch die Reduzierung von Ausfallzeiten und Produktionsausschuss gesteigert werden.
Projektpartner:
Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik, Scale GmbH, Technische Universität Chemnitz, AUDI AG
Ansprechpartner:
Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik
Projektblatt
|
| ML-Med |
Maschinelles Lernen mit relationalem Hintergrundwissen und Anwendung in der Biomedizin
Kurzfassung:
Im Projekt ML-MED sollen die großen Datenmengen aus der Genomsequenzierung verarbeitet und für das Maschinelle Lernverfahren nutzbar gemacht werden. Für viele Zellsysteme liegen solche Genomdaten vor, die Zelllinien (Zellen einer Gewebeart) sind also genomisch charakterisiert. Ferner liegen Daten über die Effizienz von Wirkstoffen in diesen Zelllinien vor. In ML-MED sollen diese Daten in Relation gesetzt und Maschinelle Lernverfahren entwickelt werden, mit denen aus den genomischen Eigenschaften eines Zellsystems auf die Effizienz des Wirkstoffs geschlossen werden kann.
Solche Verfahren des Maschinellen Lernens hätten einen erheblichen Wert für die klinische Praxis, da man nach der Messung der genomischen Marker am Patienten direkt auf die Effizienz der empfohlenen Therapie schließen könnte, um so z. B. bessere Alternativen vorzuschlagen.
Projektpartner:
Max-Planck-Institut für molekulare Genetik, Universität Potsdam, MicroDiscovery GmbH
Ansprechpartner:
Max-Planck-Institut für molekulare Genetik
|
| MLwin |
Maschinelles Lernen mit Wissensgraphen
Kurzfassung:
Das Ziel von MLwin ist es, Deep Learning und Wissensgraphen zusammenzuführen, d. h. Wissensgraphen lernfähig und Maschinellem Lernen durch Wissensgraphen verständlicher zu machen. Eine besonders interessante Perspektive ergibt sich aus der Möglichkeit, dass sich auf Basis von Hintergrundwissen und unstrukturierten Informationen in Kombination mit modernen Techniken des Deep Learnings prädiktive Systeme entwickeln lassen, die eine lernende Entscheidungsunterstützung realisieren.
Projektpartner:
Helmholtz Zentrum München, Max-Delbrück-Centrum für Molekulare Medizin, Europäisches Laboratorium für Molekularbiologie, Deutsches Zentrum für Neurodegenerative Erkrankungen e.V., Universität Bielefeld, Technische Universität München, Molecular Health GmbH
Ansprechpartner:
Siemens AG
|
| Simple-ML |
Big Data Machine Learning Workflows leicht gemacht
Kurzfassung:
Hauptziel des Simple-ML-Projekts ist es, die Benutzbarkeit aktueller ML-Verfahren durch die Entwicklung von Formalismen, die eine Modellierung der ML-Lösungen auf einem hohen Abstraktionsniveau ermöglichen, deutlich zu erhöhen. Als zentraler Beitrag wird dazu eine domänenspezifische Sprache (Domain Specific Language / DSL) definiert, die ML-Workflows und deren Komponenten ganzheitlich beschreibt und sich durch textuelle und graphische Editoren spezifizieren lässt. DSLs können eine Anwendungsdomäne umfassend und präzise darstellen und vereinfachen dabei komplexe Sachverhalte.
Projektpartner:
Leibniz Universität Hannover, Rheinische Friedrich-Wilhelms-Universität Bonn, PROJEKTIONISTEN GmbH, AIM – Agile IT Management GmbH
Ansprechpartner:
Leibniz Universität Hannover
Projektblatt
Website
|
| TraMeExCo |
Transparenter Begleiter für medizinische Anwendung
Kurzfassung:
Im Projekt TraMeExCo werden am Beispiel zweier klinischer Fragestellungen (Pathologie, Schmerzanalyse), neue Verfahren des Maschinellen Lernens erforscht und an verschiedenen Datensätzen untersucht. Die Hauptaufgabe im Projekt ist, durch die Kombination von „Black-Box“-Lernverfahren mit „White-Box“-Lernverfahren, die Nachvollziehbarkeit der gefundenen Erkenntnisse für den Arzt zu erhöhen und die erfolgreiche Mustererkennung weiter zu ermöglichen. Hierbei sollen auch die zugrundeliegenden Unsicherheiten von System und Daten beachtet werden. Als Ergebnis des Projektes entstehen zwei prototypische „Transparente Begleiter für Medizinische Anwendungen“, die die relevanten Informationen in den großen Datenmengen für die Ärzte einfacher zugänglich machen.
Projektpartner:
FhG zur Förderung der angewandten Forschung e.V., Universität Bamberg
Ansprechpartner:
Fraunhofer IIS
Website
|
