Forschung
Wir wollen erreichen, dass Algorithmen des maschinellen Lernens eine zentrale Rolle in vielen verschiedenen Bereichen der Wissenschaft einnehmen – und verstehen, wie eine solche Transformation das wissenschaftliche Arbeiten an sich verändert. Insbesondere wollen wir neue Entwicklungen im maschinellen Lernen hervorbringen, indem wir übergeordnete, disziplinübergreifende Probleme identifizieren und lösen; wissenschaftliche Anwendungen vorantreiben, indem wir mit maschinellem Lernen nachhaltigen, transformierenden Einfluss auf die Wissenschaft nehmen; und weitreichende Implikationen der von uns ins Auge gefassten Transformation der Wissenschaft durch maschinelles Lernen erforschen, indem wir die möglichen Konsequenzen für die wissenschaftliche Methode allgemein philosophisch und wissenschaftsethisch studieren.
Wir haben vier Forschungsbereiche identifiziert, in denen Fortschritt durch die Anwendung des maschinellen Lernens dringend geboten ist, um ihr Potenzial zu realisieren und neue wissenschaftliche Perspektiven zu entwickeln:
Verstehen statt Vorhersagen: Viele Algorithmen des maschinellen Lernens können einzelne Phänomene erfolgreich vorhersagen, eignen sich aber nicht dafür, Wissenschaftler bei der Entwicklung eines tiefergehenden Verständnisses der zugrundeliegenden Prinzipien zu unterstützen. Wir werden Algorithmen entwickeln, die wissenschaftliche Erkenntnisprozesse voranbringen, indem sie komplexe Strukturen und Kausalitäten erschließen, wissenschaftliche Modelle einer automatischen Kritik unterziehen und wissenschaftliche Theorie mit maschinellem Lernen verbinden.
Mit Ungenauigkeit umgehen lernen: Das Feld des maschinellen Lernens muss die Methoden verbessern, mit denen es Ungenauigkeit quantifiziert und für große und komplexe wissenschaftliche Modelle handhabbar macht. Dazu braucht es Techniken, um Ungenauigkeiten in den verfügbaren Daten, Vorhersagen, Parametern und Modellen getrennt zu behandeln. Daher werden wir Werkzeuge entwickeln, um Ungenauigkeit in komplexen Modellen und Algorithmen einzuschätzen und mit ihr umzugehen, und um diese Informationen in Forschungsdesigns zu berücksichtigen.
Schnittstellen zwischen Wissenschaftlern und Algorithmen: Um die Anwendung von maschinellem Lernen im wissenschaftlichen Prozess erfolgreicher zu gestalten, brauchen wir neue Techniken, mit deren Hilfe Wissenschaftler aller Disziplinen in den Prozess des maschinellen Lernens eingreifen, ihn beurteilen und kontrollieren können. Wir werden leicht verständliche Algorithmen und Werkzeuge entwickeln, die uns an die Hand nehmen, wenn wir mit ihnen umgehen, und die ihre inhärenten Tendenzen entlang der gesamten Pipeline wissenschaftlicher Erkenntnis offenlegen.
Eine Philosophie und Ethik des maschinellen Lernens in der Wissenschaft entwickeln: Der Umstand, dass Algorithmen des maschinellen Lernens im Prozess wissenschaftlicher Erkenntnis eine zentrale Rolle spielen werden, fordert unser traditionelles Verständnis dieses Prozesses heraus. Er wirft fundamentale Fragen über zentrale Konzepte wissenschaftlicher Erkenntnis und die Rolle der Wissenschaftler auf. Wir werden diese Fragen aus der Perspektive der Philosophie und Wissenschaftsethik studieren.
Forschungsanwendungsbereiche
Wir haben drei weite Bereiche wissenschaftlicher Anwendung ausgewählt, in denen wir im Verlauf der ersten Förderperiode des Clusters schwerpunktmäßig Herausforderungen, Schwierigkeiten und Chancen analysieren werden, die im maschinellen Lernen für Wissenschaft insgesamt schlummern:
- Lebenswissenschaften: Medizin, Bioinformatik, Neurowissenschaften
- Physikalisch-technische Wissenschaften: Computergrafik und Computer Vision, Physik, Geowissenschaften
- Geistes- und Sozialwissenschaften: Linguistik, Kognitionswissenschaften, Sozialpsychologie.
Die Auswahl spezifischer Anwendungsfelder ist nicht erschöpfend – wir stellen hier eine relevante Untermenge an Disziplinen vor, die illustriert, wie unterschiedliche Charakteristika, Methoden und Fragestellungen wir angehen werden. Die vorgestellten Disziplinen dienen als Versuchsfelder, mit deren Hilfe wir maschinelles Lernen in der Wissenschaft ganz allgemein voranbringen wollen. Dazu werden wir den Erfolg verschiedener Methoden in unterschiedlichen Fachgebieten vergleichend betrachten und die den Fachgebieten gemeinsamen Probleme und Fragestellungen identifizieren.