Kooperationen

Von Beginn 2011 bis zum Ende 2022 haben wir als Teil des Sonderforschungsbereich 876: „Verfügbarkeit von Information durch Analyse unter Ressourcenbeschränkung“ unter anderem mit der Fakultät Informatik an der Entwicklung von effizienten Analysealgorithmen gearbeitet.

Wir waren dort Teil des Projektbereich C3: „Mehrstufige statistische Analyse von hochfrequenten raumzeitlichen Prozessdaten“, der von Prof. Dr. Katharina Morik (Fakultät für Informatik, TU Dortmund), Prof. Dr. Dr. Wolfgang Rhode und Dr. Tim Ruhe (beide von diesem Lehrstuhl) geleitet wurde.

Die Hauptaufgabe, der wir uns in diesem Projektbereich gewidmet haben, ist die Frage, wie die immer größer werdende Datenrate von astrophysikalischen Experimenten effizient bewältigt werden kann.
Die aktuelle Generation von Teleskopen erfordert noch keine Echtzeitbehandlung der aufgenommenen Daten. In der nächsten Generation von Großteleskopen der Astronomie und Astroteilchenphysik, die sich aktuell in Planungs- oder Aufbauphasen befinden, wird dies jedoch notwendig werden. Diese nächste Generation - CTA, SKA und IceCube-Gen2 - wird Daten mit höchster Präzision und Datenrate (etwa 1 Petabyte/Tag) aufnehmen. Bei solchen Datenraten müssen die Daten, aufgrund mangelnden Speicherplatzes der Messsysteme, in Echtzeit ausgewählt und Signaldaten vom Hintergrund getrennt werden.  Weitere Herausforderungen sind die inhärenten Einschränkungen der Teleskopkommunikation und den isolierten Teleskopstandorte. Unsere Forschung an unterschiedlichen Datenanalyse- und Machine Learning-Methoden hat zur Lösung dieser Herausforderungen beigetragen.

Mehr Informationen und eine Liste der veröffentlichen Publikationen aus unserem SFB-Projektbereich finden Sie auf der Webseite des SFBs.

Die Ergebnisse des SFB 876 wurde in der Open Acces Buchreihe "Machine Learning under Resource Constraints" bei De Gruyter veröffentlicht. Unsere Forschung haben wir dem zweiten Buch der Reihe "Discovery in Physics" beschrieben. https://www.degruyter.com/serial/mlrc-b/html

Das Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr ( ML2R) verbindet die Pionier-Institutionen für die Entwicklung der Künstlichen Intelligenz und des Maschinellen Lernens in Deutschland: die Technische Universität Dortmund, das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in Sankt Augustin, die Universität Bonn sowie das Fraunhofer-Institut für Materialfluss und Logistik IML in Dortmund.

Um die Forschung an Maschinellem Lernen und Künstlicher Intelligenz auf ein weltweit führendes Niveau zu bringen, bietet die enge Verzahnung von grundlagenorientierter und anwendungsnaher Forschung die ideale Basis für Innovationen.

Ziele des ML2R sind die Etablierung von Spitzenforschung, Förderung von wissenschaftlichem Nachwuchs und die Stärkung des Technologietransfers in Unternehmen.

Das Lamarr-Institut https://lamarr-institute.org/about/ konzentriert sich auf die Erforschung und Entwicklung leistungsfähiger, vertrauenswürdiger und ressourceneffizienter Anwendungen des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI). Unser Ziel ist es, international wettbewerbsfähige Forschung zu etablieren, die Deutschland und Europa als führenden Standort für Forschung, Lehre und Technologietransfer in der KI nachhaltig stärkt.
Das Lamarr-Institut ist nach erfolgreicher Evaluierung durch ein internationales Expertengremium aus dem Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr (ML2R) hervorgegangen, das zuvor als zeitlich befristetes Projekt gefördert wurde. Das Lamarr-Institut ist nun mit einer dauerhaften institutionellen Förderung durch das Bundesministerium für Bildung und Forschung (BMBF) und das Land Nordrhein-Westfalen ausgestattet.

Während die natürlich die datenwissenschaftliche Grundlagenforschung im Zentrum des Lamarr-Instituts steht, geht man aber auch davon aus, dass das volle Potenzial von Maschinellem Lernen und Künstlicher Intelligenz in der Wissenschaft nur durch aktives Engagement und interdisziplinäre Forschungsarbeit ausgeschöpft werden kann, in der die andere Disziplinen nicht als reine Anwendungsgebiete der Informatik , sondern als eigenständige Forschungsfragen betrachtet werden.
Daher wurden fünf Anwendungsfelder und interdisziplinäre Forschungsbereiche identifiziert, in denen wir die Anwendbarkeit des Maschinellen Lernens bereits demonstriert haben und die eine Schlüsselrolle in unserer zukünftigen Forschung spielen werden. Unsere Arbeitsgruppe arbeitet hier in dem Feld Astrophysik daran,
mit ML-Methoden  große Datenströme in Echtzeit zu analysieren und auszuwerten, um so neue Einblicke in das Universum zu ermöglichen.