idw - Informationsdienst
Wissenschaft
Mit ihrem neuen Mathematischen Institut für Maschinelles Lernen und Data Science (MIDS) will die Katholische Universität Eichstätt-Ingolstadt (KU) dazu beitragen, die Potenziale von Digitalisierung wissenschaftlich auszuschöpfen und jungen Menschen die Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens zu vermitteln. Die hochkarätigen Wissenschaftlerinnen und Wissenschaftler, die am MIDS tätig sind, forschen im Bereich der Klima- und Wettersimulation, der Data Science, des Deep Learning und der zugehörigen mathematischen Grundlagen. Das in Ingolstadt angesiedelte Institut wird von der Stadt Ingolstadt über mehrere Jahre hinweg mit zwei Stiftungslehrstühlen unterstützt.
Bei der Vorstellung des neuen Instituts betonte Prof. Dr. Jens Hogreve, Vizepräsident für Forschung und wissenschaftlichen Nachwuchs der KU: „Wir betrachten Digitalisierung als Querschnittsthema, um einen Beitrag für eine am Menschen orientierte digitale Gesellschaft zu leisten. Dafür ist es zentral, auch eigene Expertise im mathematischen Bereich etablieren, die wiederum Grundlage ist für die Anwendung und Reflexion von Data Science und Künstlicher Intelligenz.“ Ingolstadts Wirtschaftsreferent Prof. Dr. Georg Rosenfeld ergänzt: „Das neue Institut unterstützt die Profilierung Ingolstadts als Standort exzellenter Forschung und Lehre im Bereich anwendungsorientierter und verantwortungsbewusster Digitalisierung. Wir freuen uns, dass unser Engagement schon jetzt Früchte trägt, indem namhafte Persönlichkeiten und zusätzliche externe Förderungen gewonnen werden konnten“.
Einen Forschungsschwerpunkt des MIDS bilden die Grundlagen des Maschinellen Lernens. Heutzutage erreichen Algorithmen des maschinellen Lernens in vielen Anwendungen eine Leistung nahe an der des Menschen, oder sogar darüber hinaus. Beispiele hierfür sind die Bilderkennung (z.B. Tumorerkennung in der Medizin), Spracherkennung oder selbstfahrende Fahrzeuge. Diese Fortschritte beruhen darauf, dass man heutzutage — dank enormer verfügbarer Rechenleistung und Datenmengen — tiefe neuronale Netzwerke erfolgreich trainieren kann. „Trotz dieses immensen Erfolgs in der Praxis fehlt bisher ein umfassendes theoretisches Verständnis dafür, warum diese Methoden so gut funktionieren“, schildert Prof. Dr. Götz Pfander als Sprecher des Instituts und Inhaber des Lehrstuhls für Mathematik/Wissenschaftliches Rechnen an der KU. Zudem sei wiederholt gezeigt worden, dass trainierte neuronale Netze oftmals nicht robust seien und schon minimale, für den Menschen unsichtbaren Änderungen der Eingabe eine falsche Ausgabe erzeugen könnten. Es sei deshalb essenziell, die Gründe für diese Instabilität zu analysieren. „Die existierenden Erfolgsgarantien für das maschinelle Lernen sind zu schwach, um den in der Praxis beobachteten Erfolg zu erklären. Es ist — vor allem für kritische Anwendungen wie in der Medizin — von großem Interesse, auf mathematischer Grundlage verbesserte Garantien zu entwickeln“, so Pfander.
Ein weiterer Schwerpunkt des MIDS besteht in der Verarbeitung von Daten zur Vorhersage von Umweltentwicklungen – etwa für Wettervorhersagen, Klimaforschung oder Bodenforschung. Dabei spielt die Weiterentwicklung der mathematischen Grundlagen dieser Methoden eine große Rolle; diese hat eine hohe Relevanz für ein breites Spektrum an Anwendungen in Wissenschaft und Industrie. Neben der Verknüpfung von physikalischen Zusammenhängen mit begrenzten Messdaten gibt es eine andere Herausforderung bei der Modellierung solcher komplexen Systeme: Sie bestehen aus Teilen, die sich in verschiedenen Größen und Zeiträumen abspielen. So erstreckt sich das Wetter von der Bildung einer einzelnen Schneeflocke bis hin zum Verlauf der Jahresmitteltemperaturen. Eine Computersimulation muss sich aber immer auf einen Teil der in der Wirklichkeit vorhandenen Skalen beschränken – die kleineren oder größeren Skalen müssen modelliert werden. Am MIDS arbeiten Forschende deshalb an mathematischen Methoden, um solche Multiskalenprobleme zu modellieren und zu simulieren.
Bei der Ausgestaltung solcher Simulationen will das MIDS auch den Aspekt von Nachhaltigkeit in den Blick nehmen. Denn komplexe Algorithmen benötigen immense Rechenleistung, was zu einem hohen Energieverbrauch führt. Dieses Problem anzugehen ist ein zentrales Ziel des Verbundprojekts „Resource Aware Artificial Intelligence for Future Technologies” an dem Prof. Dr. Felix Voigtlaender, Lehrstuhl für Reliable Machine Learning der KU, im Verbund mit der FAU Erlangen-Nürnberg, der TU München und der Universität Bayreuth beteiligt ist. Dieser Lehrstuhl ist ebenfalls am MIDS angesiedelt und wird über die Hightech Agenda Bayern gefördert. Die KU hatte sich dafür erfolgreich in einem Wettbewerb des Freistaates Bayern um neue Professuren für das Themenfeld Künstliche Intelligenz beworben.
Die Professoren und Professorinnen des MIDS bilden außerdem den fachlichen Kern des neuen Bachelorstudiengangs „Data Science“, der zum Wintersemester an der KU startet. Ziel dieses Studiengangs ist es, hochqualifizierte Fachkräfte für Industrie und Forschung auszubilden, die ihre Expertise mündig und verantwortungsbewusst einbringen. Der Studiengang vermittelt die Grundlagen des maschinellen Lernens und anderer aktueller Verfahren zur Datenanalyse, sowie die Fähigkeit, diese Verfahren mit modernen Softwaretechnologien effizient umzusetzen.
Informationen zum MIDS finden sich unter http://www.ku.de/mids, Details zum neuen Bachelorstudiengang „Data Science“ finden Studieninteressierte unter http://www.ku.de/ds.
Prof. Dr. Götz Pfander, Sprecher des MIDS (pfander@ku.de)
http://www.ku.de/mids (Homepage des Mathematischen Instituts für Maschinelles Lernen und Data Science)
http://www.ku.de/ds (Informationen zum neuen BA-Studiengang Data Science)
(v.l.) Prof. Dr. Felix Voigtlaender, Wirtschaftsreferent Prof. Dr. Georg Rosenfeld, MIDS-Sprecher Pr ...
Christian Klenk
Klenk/upd
Merkmale dieser Pressemitteilung:
Journalisten, Lehrer/Schüler
Informationstechnik, Mathematik, Umwelt / Ökologie, Verkehr / Transport, Werkstoffwissenschaften
überregional
Organisatorisches, Studium und Lehre
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).