Am 1. April 2025 hat die Deutsche Forschungsgemeinschaft (DFG) den Start von fünf neuen Forschungsgruppen bekannt gegeben. Eine der Gruppen wird unter der Leitung der Leibniz Universität Hannover (LUH) am Institut für Regelungstechnik tätig sein. Diese Forschungsgruppe trägt den Titel: „Aktives Lernen für dynamische Systeme und Regelung – Dateninformativität, Unsicherheiten und Garantien“ und fokussiert sich auf das maschinelle Lernen in dynamischen Systemen. Insgesamt stellt die DFG rund 19 Millionen Euro für diese neu gegründeten Gruppen zur Verfügung, die über einen Zeitraum von vier Jahren arbeiten, mit der Möglichkeit einer zweiten Förderperiode von ebenfalls vier Jahren.
Die neuen Ansätze, die in der Forschungsgruppe verfolgt werden, sind besonders relevant für zukunftsweisende Technologien und Anwendungen. Die Herausforderungen im Bereich des maschinellen Lernens sind vielschichtig und umfassen unter anderem die Sicherheitsgarantien, die sowohl beim autonomen Fahren als auch in der Mensch-Maschine-Interaktion erforderlich sind. Herkömmliche Verfahren bieten oft keine solchen Garantien, was die Entwicklung innovativer Strategien unumgänglich macht.
Kooperationspartner und Anwendungsmöglichkeiten
Die Forschungsgruppe kooperiert mit anerkannten Institutionen wie der Universität Freiburg und den Technischen Universitäten in Hamburg, Ilmenau und München. Die Forschungsergebnisse könnten weitreichende Anwendungen finden, insbesondere in der Robotik und Energietechnik. Maschinelles Lernen hat sich bereits in vielen Bereichen etabliert, darunter auch in der medizinischen Diagnose und beim autonomen Fahren, wo gezielte Datenanalysen und lernende Systeme entscheidend sind.
Das maschinelle Lernen selbst ist eine Schlüsseltechnologie für kognitive Systeme und ist von zentraler Bedeutung für die globale wirtschaftliche Entwicklung. Dabei spielen neuronale Netze eine maßgebliche Rolle. Diese sind inspiriert von den Nervenzellenverbindungen im menschlichen Gehirn und bestehen aus mehreren Schichten von Datenknoten, die über gewichtete Verbindungen miteinander verbunden sind. Über die Methoden des „Deep Learning“ profitieren neuronale Netze von immer tiefer werdenden Schichten, die sie bei der Lösung komplexer Probleme unterstützen. Das Training dieser Netze erfolgt durch die wiederholte Präsentation von Daten, was eine präzisere Einordnung ermöglicht, wie iks.fraunhofer.de erläutert.
Gesellschaftliche Akzeptanz und Herausforderungen
Die gesellschaftliche Akzeptanz dieser Technologien ist entscheidend für deren Verbreitung. Die Debatte über maschinelles Lernen und Künstliche Intelligenz ist oft von Halbwissen geprägt, weshalb eine faktenbasierte Auseinandersetzung mit den Themen nötig ist. Eine umfassende Studie, die im Rahmen eines BMBF-geförderten Projekts durchgeführt wurde, bietet einen Überblick über aktuelle Herausforderungen und Forschungsfragen im Bereich ML. Das Projekt wurde vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS sowie dem Fraunhofer-Zentrum für Internationales Management und Wissensökonomie IMW realisiert. Sie liefert wertvolle Einblicke in die Anwendungsfelder und sozioökonomischen Rahmenbedingungen, die für die Forschung in Deutschland von Bedeutung sind.
In Anbetracht der schnell voranschreitenden Technologien im maschinellen Lernen und der Vielzahl möglicher Anwendungsszenarien bleibt zu beobachten, wie die neuen Forschungsgruppen an der LUH zur Weiterentwicklung dieser Technologien beitragen werden, insbesondere im Hinblick auf Sicherheitsgarantien und innovative Lernmethoden.
