Nio miljoner till nya forskargrupper: revolution inom maskininlärning!

Nio miljoner till nya forskargrupper: revolution inom maskininlärning!

Den 1 april 2025 tillkännagav German Research Foundation (DFG) starten av fem nya forskargrupper. En av grupperna kommer att arbeta vid Institute for Control Engineering under ledning av Leibniz University Hannover (LUH). Denna forskargrupp har titeln: "Aktivt lärande för dynamiska system och styrning – datainformativitet, osäkerheter och garantier" och fokuserar på maskininlärning i dynamiska system. Totalt ger DFG cirka 19 miljoner euro till dessa nygrundade grupper, som kommer att arbeta under en period på fyra år, med möjlighet till en andra finansieringsperiod på fyra år.

De nya angreppssätten i forskargruppen är särskilt relevanta för framtidsorienterade teknologier och tillämpningar. Utmaningarna inom området maskininlärning är komplexa och innefattar bland annat de säkerhetsgarantier som krävs vid både autonom körning och interaktion mellan människa och maskin. Traditionella processer erbjuder ofta inte sådana garantier, vilket gör det nödvändigt att utveckla innovativa strategier.

Samarbetspartners och eventuella ansökningar

Forskargruppen samarbetar med erkända institutioner som universitetet i Freiburg och de tekniska universiteten i Hamburg, Ilmenau och München. Forskningsresultaten kan ha långtgående tillämpningar, särskilt inom robotik och energiteknik. Maskininlärning har redan etablerats inom många områden, inklusive medicinsk diagnostik och autonom körning, där riktade dataanalyser och inlärningssystem är avgörande.

Maskininlärning i sig är en nyckelteknologi för kognitiva system och är central för global ekonomisk utveckling. Neurala nätverk spelar här en avgörande roll. Dessa är inspirerade av nervcellsanslutningarna i den mänskliga hjärnan och består av flera lager av datanoder kopplade till varandra via viktade anslutningar. Genom att använda metoder för "djupinlärning" drar neurala nätverk nytta av allt djupare lager som stödjer dem i att lösa komplexa problem. Dessa nätverk tränas genom att upprepade gånger presentera data, vilket möjliggör en mer exakt klassificering av hur iks.fraunhofer.de förklarade.

Social acceptans och utmaningar

Social acceptans av dessa teknologier är avgörande för deras spridning. Debatten om maskininlärning och artificiell intelligens präglas ofta av halvkunskap, varför en faktabaserad diskussion om ämnena är nödvändig. En omfattande studie genomförd som en del av ett BMBF-finansierat projekt ger en översikt över aktuella utmaningar och forskningsfrågor inom ML-området. Projektet initierades av Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS och Fraunhofer Center for International Management and Knowledge Economy IMW. Det ger värdefulla insikter om tillämpningsområden och socioekonomiska ramvillkor som är viktiga för forskningen i Tyskland.

Med tanke på de snabbt framskridande teknologierna inom maskininlärning och mångfalden av möjliga tillämpningsscenarier, återstår det att se hur de nya forskargrupperna vid LUH kommer att bidra till vidareutvecklingen av dessa teknologier, särskilt när det gäller säkerhetsgarantier och innovativa inlärningsmetoder.