Direkt zum Seiteninhalt springen

Helmholtz fördert 19 KI-Projekte zur Lösung drängender gesellschaftlicher Herausforderungen

Helmholtz investiert 7,2 Millionen Euro in kollaborative Forschungsprojekte im Feld angewandter künstlicher Intelligenz und maschinellem Lernen mit der ersten Förderrunde für Helmholtz AI Projects.

Die Helmholtz AI Cooperation Unit (Helmholtz AI) stärkt die Anwendung und Entwicklung von angewandter künstlicher Intelligenz (KI) und maschinellem Lernen (ML). Ein hochkarätiges, internationales Expertenpanel wählte in der ersten Ausschreibungsrunde für Helmholtz AI Projects 19 kollaborative ‘high-risk high-reward’ Forschungsprojekte aus.Helmholtz investiert insgesamt 7,2 Millionen Euro in diese neuartigen Ansätze – die Hälfte davon wird durch den Impuls- und Vernetzungsfonds bereitgestellt.

„Künstliche Intelligenz und maschinelles Lernen sind mächtige Werkzeuge, um Lösungen für große und komplexe Aufgaben wie den Klimawandel oder die Mobilität der Zukunft zu entwickeln“, sagt Helmholtz-Präsident Otmar D. Wiestler. „Die 19 ausgewählten Projekte nutzen die neuesten KI-Verfahren und fördern nachhaltig die gesellschaftliche Nutzbarmachung dieser Zukunftstechnologien. Ich wünsche allen beteiligten Wissenschaftlerinnen und Wissenschaftlern viel Erfolg – in dem Wissen, dass Forschung mit diesen neuartigen Methoden nicht immer gradlinig verläuft und auch zu unerwarteten, herausragenden Forschungsergebnissen führen kann.“

55 Projektanträge wurden in der ersten Ausschreibung für Helmholtz AI Projects eingereicht. Die 19 ausgewählten Projekte nutzen neuartige analytische Werkzeuge, um drängende gesellschaftliche Herausforderungen durch den Einsatz von KI zu lösen. Die Projekte fördern die Erprobung dieser neuen Ansätze, werden von mehreren Partnern getragen und in bis zu drei Jahren umgesetzt – damit ermöglichen sie auch größere Folgeprojekte.

„Dies eröffnet viele Möglichkeiten; wir können Enormes in angewandter KI bei Helmholtz erreichen“, sagt Fabian Theis, wissenschaftliche Leiter von Helmholtz AI. „Die Helmholtz AI Projects ermöglichen zum ersten Mal, gemeinsame Ansätze in KI zwischen den Disziplinen und Zentren zu verfolgen, um das immense Potenzial der großen und komplexen Datensätze aus den sechs Helmholtz-Forschungsbereichen auszuschöpfen. Wir wollen diese dynamische Community weiter stärken.“

Mit der Plattform Helmholtz AI investiert Helmholtz jährlich 11 Millionen Euro in sechs innovative Forschungseinheiten sowie ein transdisziplinäres Netzwerk für angewandte KI. Dieses Netzwerk baut auf den Stärken der Gemeinschaft in KI und den einzigartigen Datensätzen auf. Helmholtz AI leistet so Beiträge zur Lösung der gesellschaftlichen Herausforderungen unserer Zeit und vernetzt die Gemeinschaft weiter – auch mit universitären Partnern. Weitere Förderrunden werden das Netzwerk stärker ausbauen – die nächste Ausschreibung ist für Sommer 2020 geplant.

Weitere Informationen über Helmholtz AI und die Ausschreibungen für Helmholtz AI Projects: www.helmholtz.ai

Ausgewählte AI Projects

Die folgenden 19 Projekte erhalten eine Förderung von jeweils bis zu 400.000 Euro über eine Gesamtförderdauer von zwei bis drei Jahren.

 

  • AI4Flood: AI für Notfallkartierungen bei Hochwasser
    Dieses Projekt zielt darauf ab, bestehende satellitengestützte Notfallkartierungsmethoden aus SAR-Daten zu verbessern, indem neue ML-Algorithmen zur Extraktion von Wasserflächen bei Hochwasserereignissen getestet und validiert werden.
    Prof. Dr. Mahdi Motagh, motagh@gfz-potsdam.de (GFZ) und Dr. Sandro Martinis, Sandro.Martinis@dlr.de (DLR)
  • AINX: KI für Neutronen- und Röntgenstreuungsexperimente
    Das Projekt entwickelt KI-unterstützte Datenreduktions- und Analysetechniken für Neutronen- und Röntgenstreuexperimente. Das Ziel der Forscherinnen und Forscher ist es, die Strahlzeitnutzung zu optimieren und die Datenanalyse zu beschleunigen.
    Dr. Marina Ganeva, m.ganeva@fz-juelich.de (FZ Jülich) und Dr. Thomas Kluge, t.kluge@hzdr.de (HZDR)
  • aN0: Simulationen an Hochleistungsrechnern verbessern
    Das Ziel von AlphaNumerics Zero ist ein Umdenken beim Design von numerischen Verfahren auf Höchstleistungsrechnern. Das Projekt setzt Reinforcement-Learning-Techniken ein, damit der Rechner für ein gegebenes Simulationsproblem die im Mittel optimale numerische Lösungsmethode selbstständig lernt.
    Dr. Robert Speck, r.speck@fz-juelich.de (FZ Jülich)
  • ARTERY: KI zur Anwendung präziser Strahlentherapie
    Artery entwickelt eine innovative Methode der Strahlentherapie, bei der haarfeine Protonenstrahlen zum Einsatz kommen, die selektiv Krebsgewebe zerstören. In dem Projekt untersuchen die beteiligten Forscherinnen und Forscher bestrahltes Gewebe mit hochauflösender 3-D-Mikroskopie. KI unterstützt dabei die Auswertung der Bilder und der Analyse von Strahlenschäden.
    Dr. Stefan Bartzsch, stefan.bartzsch@helmholtz-muenchen.de (HMGU)
  • Autonomous Accelerator: Maschinelles Lernen für autonome Beschleuniger
    Moderne Teilchenbeschleuniger bieten außergewöhnliche Strahlen für neue Entdeckungen in der Wissenschaft. Steigende Anforderungen machen ihren Betrieb anspruchsvoller und ein vollautonomer Beschleuniger scheint in weiter Ferne. Dieses Projekt unternimmt jedoch erste Schritte zur Umsetzung. Es bringt verstärkendes Lernen in den Linearbeschleunigerbetrieb am DESY und am KIT.
    Dr. Annika Eichler, annika.eichler@desy.de (DESY)
  • DeepSAR: Verbesserung von Fernerkundungsdaten durch Deep Learning
    Trotz der Erfolge von Deep Learning stützen sich wichtige Anwendungen in der Fernerkundung immer noch auf die Inversion physikalischer Modelle. Das DeepSAR-Projekt kombiniert beide, um ihre jeweiligen Schwächen zu kompensieren und die Extraktion von bio-/ geo-physikalischen Informationen aus Fernerkundungsdaten zu verbessern, insbesondere die Schätzung von Waldhöhe und Eindringtiefe in Eis aus SAR-Daten.
    Dr. Ronny Hänsch, ronny.haensch@dlr.de (DLR)
  • DeGeSim: Deep Learning für präzieseste Hochenergie-Teilchenphysik am Large Hadron Collider
    Häufig sind wissenschaftliche Simulationsrechnungen durch ihren hohen Bedarf an Rechenkapazität begrenzt. Generative Deep Neural Networks bieten einen effizienten Weg komplexe Modelle zu ersetzen und ermöglichen schnelle und präzise Simulationen für die CMS- und ATLAS-Experimente am Large Hadron Collider (CERN).
    Dr. Dirk Krücker, dirk.kruecker@desy.de (DESY)
  • EDARTI: KI-Ansätze zur verbesserten Elektronenbeugungsinversion
    Dieses Projekt widmet sich ein interdisziplinäres Team aus Mathematikern und Physikern der Dekodierung von Eigenschaften materialwissenschaftlicher und biologischer Proben aus 4-D-Beugungsbildern durch die Weiterentwicklung von KI-Methoden.
    Prof. Dr. Knut Müller-Caspary, k.mueller-caspary@fz-juelich.de (FZ Jülich) und PD Dr. Wolfgang zu Castell, castell@helmholtz-muenchen.de (HMGU)
  • FluoMap: Mit ML globale Fluoreszenzkarten aus Satellitendaten erzeugen
    FluoMap verfolgt das Ziel, mit modernsten KI Methoden aus den Messdaten der satelliten- bzw. flugzeuggetragenen Spektrometer DESIS und HyPlant Fluoreszenzsignale zu extrahieren. Dadurch wird es möglich, globale Fluoreszenzkarten zu erzeugen, die eine wichtige Rolle in der weltweiten Überwachung des Vegetationszustands spielen werden.
    Dr. Miguel Pato, Miguel.FigueiredoVazPato@dlr.de (DLR)
  • i2Batman: Intelligentes Batteriemanagement durch Spektroskopie und ML
    Im Rahmen des i2Batman-Projekts werden ML-Techniken für ein optimiertes Batteriemanagement auf der Ebene der Batteriezelle entwickelt und demonstriert. Ziel ist es, ein optimiertes Schnellladeverhalten zu erreichen, während gleichzeitig die Lebensdauer der Batterien dem Industriestandard entsprechen oder dieser sogar noch übertroffen werden soll.
    Prof. Dr. Josef Granwehr, j.granwehr@fz-juelich.de (FZ Jülich)
  • LearnGraspPhases: Fließende Bewegungen bei Robotern ermöglichen
    Roboter sind bekannt für ihre Präzision und Kraft, aber auch für ihre etwas ruckartigen Bewegungen. Diese entstehen hauptsächlich durch abrupte Übergänge zwischen aufeinander folgenden Aktionen. In LearnGraspPhases verwenden das DLR und das KIT gemeinsame Datenbanken und ML Methoden, um Modelle zu lernen, die zu fließenden Übergängen und einer natürlicheren Roboterbewegung führen.
    Dr. Friedrich Lange, Friedrich.Lange@dlr.de (DLR)
  • MOMONANO: Mit ML molekulare Nanoroboter ermöglichen
    Ziel des Projekts ist es, mit einzelnen Molekülen wie mit LEGO Bausteinen komplexe funktionelle Nanostrukturen aufzubauen. Die dafür nötigen quantenmechanischen Simulationen sind jedoch zu zeitaufwändig. Momonano bündelt die Expertise in ML, molekularen Simulationen und Nanorobotik, um solche Simulationen um Größenordnungen zu beschleunigen.
    Dr. Christian Wagner, c.wagner@fz-juelich.de (FZ Jülich)
  • Noise2NAKO(AI): Mit KI Auswirkungen von Umweltfaktoren auf die Gesundheit ermitteln
    Das Projekt verwendet innovative KI- und ML-Methoden, um langfristige Auswirkungen von Umweltfaktoren auf die menschliche Gesundheit zu untersuchen. In einer Fallstudie erstellen die beteiligten Forscherinnen und Forscher zunächst flächendeckende Lärmkarten und verknüpfen diese dann mit Gesundheitsdaten von Teilnehmern der NAKO-Gesundheitsstudie, um gefährdete Cluster in Bezug auf das Bluthochdruckrisiko zu identifizieren.
    Dr. Kathrin Wolf, kathrin.wolf@helmholtz-muenchen.de (HMGU)
  • PRO-GENE-GEN: Virtuelle Kohortendaten für personalisierte Medizin
    Im Projekt PRO-GENE-GEN forschen DZNE und CISPA an der Generierung von virtuellen Kohortendaten, die die gleichen Eigenschaften wie reale Patientendaten haben, aber keine Rückschlüsse auf Individuen zulassen. Dadurch können große Datensätze zur Entwicklung neuer diagnostischer Ansätze gemeinsam genutzt werden, was für personalisierte Medizin zentral ist.
    Dr. Matthias Becker, Matthias.Becker@dzne.de (DZNE) und Prof. Dr. Mario Fritz, fritz@cispa.saarland (CISPA)
  • ProFiLe: Aufbau und Funktion von Proteinen mit KI besser vorhersagen
    Proteine sind die molekulare Grundlage des Lebens und Fehlfunktionen können zu Krankheiten führen. ProFiLe soll die Proteinstruktur durch KI vorhersagen und das Verständnis ihrer Funktion verbessern. Das Framework HeAT ermöglicht dabei Training mit extrem großen Genomdatenbanken auf Supercomputern.
    Dr. Achim Basermann, Achim.Basermann@dlr.de (DLR)
  • REPORT-DL: Erdbeben mit KI detektieren
    Das REPORT-DL Projekt ziel darauf ab, unser Verständnis von Erdbebengefährdung zu verbessern, indem KI-Methoden aus dem Bereich der Bild- und Sprachverarbeitung adaptiert werden, um kleinste Erdbeben zu detektieren. Die Verteilung dieser Mikroerdbeben erlaubt Rückschlüsse auf den Spannungszustand der Erdkruste, aber lässt sich mit herkömmlichen Methoden nur ungenügend bestimmen.
    Prof. Dr. Andreas Rietbrock, Andreas.Rietbrock@kit.edu (KIT)
  • SC-SLAM-ATAC: Von Einzelzell-Multiomics zu genregulatorischen Netzwerken
    Das Projekt beschäftigt sich mit genregulatorischen Netzwerken. Sie erzeugen eine Vielzahl verschiedener Zelltypen und unterliegen einer Fehlregulation der Genexpression bei Krankheiten. Das Projekt nutzt ML um Einzelzellmessungen von offenem Chromatin und von Genexpressionsdynamik (durch RNA-Markierung) zu integrieren, um genregulatorische Netzwerke zu rekonstruieren.
    Dr. Jan Philipp Junker, JanPhilipp.Junker@mdc-berlin.de (MDC)
  • ULearn4Mobility: KI für die Vorhersage von Mobilitätsmustern
    Ereignisse wie beispielsweise die Ausbreitung von Krankheiten unterliegen oft zeitlichen und örtlichen Veränderungen. In ULearn4Mobility werden ML-Verfahren für großflächige, sich verändernde Phänomene entwickelt. Die Schlüsselanwendung ist die satellitenunabhängige Bestimmung der eigenen Position für zukünftige Mobilität und die Navigation innerhalb von Gebäuden.
    Dr. Florian Pfaff, pfaff@kit.edu (KIT)
  • UniSeF: Trainingsdaten für schärfste Bilder
    Synchrotron-basierte Röntgentomografie ermöglicht die Untersuchung von Proben mit hoher Auflösung. Die Segmentierung ist die Grundlage für die wissenschaftliche Interpretation der Tomogramme. Zu den UniSeF-Entwicklungen gehören die Segmentierung identischer Objekte (Instanzsegmentierung), eine geführte interaktive und iterative Strategie zur Annotation von Trainingsdaten sowie ein browserbasierter Dienst.
    Dr. Philipp Heuser, philipp.heuser@desy.de (DESY)

Leser:innenkommentare