Ni millioner til nye forskningsgrupper: revolution inden for maskinlæring!

Ni millioner til nye forskningsgrupper: revolution inden for maskinlæring!

Den 1. april 2025 annoncerede den tyske forskningsfond (DFG) starten af ​​fem nye forskningsgrupper. En af grupperne skal arbejde på Institute for Control Engineering under ledelse af Leibniz University Hannover (LUH). Denne forskergruppe har titlen: "Aktiv læring for dynamiske systemer og kontrol – datainformativitet, usikkerheder og garantier" og fokuserer på maskinlæring i dynamiske systemer. I alt yder DFG omkring 19 millioner euro til disse nystiftede grupper, som vil arbejde over en periode på fire år med mulighed for en anden finansieringsperiode på fire år.

De nye tilgange, der forfølges i forskergruppen, er særligt relevante for fremtidsorienterede teknologier og applikationer. Udfordringerne inden for maskinlæring er komplekse og omfatter blandt andet de sikkerhedsgarantier, der kræves ved både autonom kørsel og menneske-maskine interaktion. Traditionelle processer giver ofte ikke sådanne garantier, hvilket gør udviklingen af ​​innovative strategier afgørende.

Samarbejdspartnere og mulige ansøgninger

Forskergruppen samarbejder med anerkendte institutioner som universitetet i Freiburg og de tekniske universiteter i Hamborg, Ilmenau og München. Forskningsresultaterne kan have vidtrækkende anvendelser, især inden for robotteknologi og energiteknologi. Machine learning er allerede etableret på mange områder, herunder medicinsk diagnosticering og autonom kørsel, hvor målrettede dataanalyse og læringssystemer er afgørende.

Maskinlæring i sig selv er en nøgleteknologi for kognitive systemer og er central for global økonomisk udvikling. Neurale netværk spiller en afgørende rolle her. Disse er inspireret af nervecelleforbindelserne i den menneskelige hjerne og består af flere lag af dataknuder forbundet med hinanden via vægtede forbindelser. Ved at bruge "deep learning"-metoder drager neurale netværk fordele af stadigt dybere lag, der understøtter dem i at løse komplekse problemer. Disse netværk trænes ved gentagne gange at præsentere data, hvilket muliggør en mere præcis klassificering af hvordan iks.fraunhofer.de forklaret.

Social accept og udfordringer

Social accept af disse teknologier er afgørende for deres udbredelse. Debatten om machine learning og kunstig intelligens er ofte præget af halvviden, hvorfor en faktabaseret diskussion af emnerne er nødvendig. En omfattende undersøgelse udført som led i et BMBF-finansieret projekt giver et overblik over aktuelle udfordringer og forskningsspørgsmål inden for ML-området. Projektet er igangsat af Fraunhofer Institut for Intelligent Analyse og Informationssystemer IAIS og Fraunhofer Center for International Management and Knowledge Economy IMW. Det giver værdifuld indsigt i de anvendelsesområder og socioøkonomiske rammebetingelser, der er vigtige for forskningen i Tyskland.

I betragtning af de hastigt fremadskridende teknologier inden for maskinlæring og de mange mulige anvendelsesscenarier, er det stadig uvist, hvordan de nye forskergrupper på LUH vil bidrage til den videre udvikling af disse teknologier, især med hensyn til sikkerhedsgarantier og innovative læringsmetoder.