Forschende der Universität Tübingen haben mit einem internationalen Team eine Künstliche Intelligenz (KI) entwickelt, die völlig neue, teils ungewöhnliche Experimente in der Quantenphysik entwirft und zugleich für Forschende leicht verständlich darstellt. Dazu zählen auch Versuchsanordnungen, auf die Menschen möglicherweise nie gekommen wären. Die neue KI entwirft nicht nur einen einzelnen Design-Vorschlag, sondern sie schreibt Computercodes, die eine ganze Reihe von physikalischen Experimenten, also Versuchsgruppen mit ähnlichem Output, liefern. Die Studie ist jetzt in der Fachzeitschrift Nature Machine Intelligence erschienen.

Die neu entwickelte KI nutzt eine Programmiersprache, die die Forschenden leicht verstehen. Dadurch können sie die zugrunde liegende Idee des Lösungswegs der KI deutlich leichter ermitteln als bisher. „KI-Systeme liefern ihre Lösungen normalerweise ohne Erklärungen, wie sie funktionieren“, erklärt Mario Krenn, Professor für Maschinelles Lernen in der Wissenschaft an der Universität Tübingen und Letztautor der Studie. „Wir Wissenschaftler müssen im Nachhinein versuchen, die Lösungen nachzuvollziehen. Früher haben wir dafür oft Tage oder Wochen gebraucht wenn wir sie überhaupt verstanden haben.“

Sprachmodell als Experte für Quantenphysik

„Wir haben für unsere Studie ein Sprachmodell trainiert, das ähnlich funktioniert wie ChatGPT“, erklärt Sören Arlt, Doktorand in Krenns Arbeitsgruppe und Erstautor der Studie. „Unser Sprachmodell ist Experte darin, Computercode für Quantenphysik zu schreiben, und zwar in der Programmiersprache Python.“ Dieser Code funktioniert wie ein allgemeines Rezept: Wird er ausgeführt, entwirft er Versuchsaufbauten für viele ähnliche Fälle und auch für umfangreichere Versionen derselben Aufgabe. Da Python für Menschen gut lesbar und verständlich ist, können Forschende den Code überprüfen und sehen, welche Strukturen sich darin wiederholen und welche Einschränkungen von Bedeutung sind. Dadurch wird die zugrunde liegende Idee des Lösungswegs der KI für sie sichtbar.

Die Quantenphysik ermöglicht es, vollkommen neue Technologien zu entwickeln, darunter Quantencomputer, die bestimmte Probleme viel schneller lösen können als gewöhnliche Computer. Sie könnten zum Beispiel die Eigenschaften von Molekülen beschleunigt berechnen, was für die Entwicklung von Medikamenten hilfreich ist. Um die Effekte der Quantenphysik besser zu verstehen, sind Experimente notwendig. Forschende erzeugen dabei gezielt Quantenteilchen – etwa Elektronen, Atome oder Lichtquanten –, bringen sie in genau kontrollierte Zustände und messen, wie sie sich verhalten, um Effekte wie zum Beispiel Superposition, also die Überlagerung möglicher Quanten-Zustände, sichtbar zu machen.

KI kann mehr Kombinationsmöglichkeiten untersuchen als Menschen

Versuchsaufbauten in der Quantenphysik sind hochkomplex, und es gibt unzählige Möglichkeiten, die vielen verschiedenen Variablen eines Experiments miteinander zu kombinieren. Der Mensch kann nur einen Bruchteil davon überblicken. Ganz anders die KI: Sie kann deutlich mehr Kombinationsmöglichkeiten für einen Versuchsaufbau untersuchen als Menschen. „KI-Systeme finden heute immer ausgefeiltere und unorthodoxere Lösungen, die wir Menschen vielleicht nie ausprobiert hätten“, sagt Krenn. In einigen Fällen sei zu erwarten, dass die maschinell entworfenen Experimente bekannte Designs übertreffen. Das könne zu neuen Einsichten in der Physik führen.

„Unsere Arbeit zeigt einen Weg auf, die unorthodoxen Lösungen der KI in der Physik leichter interpretierbar zu machen“, sagt Krenn. „Anstatt nur starke Einzellösungen zu liefern, wird das System dazu angeregt, das Gelernte in Form von wiederverwendbaren Regeln auszudrücken – diese können Forschende dann untersuchen, verstehen und auf neue Probleme anwenden.“ Die Methodik lasse sich auch auf andere Bereiche, etwa die Material- und Ingenieurwissenschaften, übertragen. Professorin Dr. Karla Pollmann, Rektorin der Universität Tübingen, sagt: „Mit Methoden der Künstlichen Intelligenz lässt sich Wissenschaft in bestimmten Bereichen heute extrem beschleunigen. Dass Forschende weltweit die Ergebnisse der KI mit diesem neuen Ansatz schneller nachvollziehen können, ist von zentraler Bedeutung und kann zu neuen Anwendungen führen. Für die Universität Tübingen ist dies ein Beispiel dafür, wie wir gemeinsam Zukunftstechnologien gestalten, statt sie nur zu beobachten.“

Publikation:
Sören Arlt, Haonan Duan, Felix Li, Sang Michael Xie, Yuhuai Wu, Mario Krenn: Meta-designing quantum experiments with language models, Nature Machine Intelligence (2026), https://doi.org/10.1038/s42256-025-01153-0

Kontakt:
Prof. Dr. Mario Krenn
Universität Tübingen
Exzellenzcluster Maschinelles Lernen
Telefon +49 7071 29-70824
mario.krenn[at]uni-tuebingen.de

Theresa Authaler
Universität Tübingen
Exzellenzcluster Maschinelles Lernen
Referentin für Öffentlichkeitsarbeit
Telefon +49 162 1788206
theresa.authaler[at]uni-tuebingen.de

Nach einer Pressemitteilung der Universität Tübingen.

Den vollständigen Artikel finden Sie auf Spiegel, Ausgabe 47/2025.

Bitte beachten: Der Online-Text kann nur mit einem Abonnement gelesen werden. Das Magazin ist in den meisten Zeitschriftenläden und auch in vielen öffentlichen Bibliotheken erhältlich.

In diesem Jahr ist unser Cluster mit 39 Papern auf der NeurIPS vertreten.

Liste der akzeptierten Beiträge unserer Mitglieder (hervorgehoben) und ihren Teammitgliedern (alle Beiträge sind hier zu finden):

1. Direct Alignment with Heterogeneous Preferences
   Ali Shirali, Arash Nasr-Esfahany, Abdullah Alomar, Parsa Mirtaheri, Rediet Abebe, Ariel Procaccia
2. TRACE: Contrastive learning for multi-trial time series data in neuroscience
   Lisa Schmors, Dominic Gonschorek, Jan Niklas Böhm, Yongrong Qiu, Na Zhou, Dmitry Kobak, Andreas Tolias, Fabian Sinz, Jacob Reimer, Katrin Franke, Sebastian Damrich, Philipp Berens
3. A data and task-constrained mechanistic model of the mouse outer retina shows robustness to contrast variations
   Kyra Kadhim, Jonas Beck, Ziwei Huang, Jakob H Macke, Fred Rieke, Thomas Euler, Michael Deistler, Philipp Berens
4. Equivariance by Contrast: Identifiable Equivariant Embeddings from Unlabeled Finite Group Actions
   Tobias Schmidt, Steffen Schneider, Matthias Bethge
5. What Moves the Eyes: Doubling Mechanistic Model Performance Using Deep Networks to Discover and Test Cognitive Hypotheses
   Federico D'Agostino, Lisa Schwetlick, Matthias Bethge, Matthias Kümmerer
6. AlgoTune: Can Language Models Speed Up General-Purpose Numerical Programs?
   Ori Press, Brandon Amos, Haoyu Zhao, Yikai Wu, Samuel Ainsworth, Dominik Krupke, Patrick Kidger, Touqir Sajed, Bartolomeo Stellato, Jisun Park, Nathanael Bosch, Eli Meril, Albert Steppi, Arman Zharmagambetov, Fangzhao Zhang, David Pérez-Piñeiro, Alberto Mercurio, Ni Zhan, Talor Abramovich, Kilian Lieret, Hanlin Zhang, Shirley Huang, Matthias Bethge, Ofir Press
7. BEDLAM2.0: Synthetic humans and cameras in motion
   Joachim Tesch, Giorgio Becherini, Prerana Achar, Anastasios Yiannakidis, Muhammed Kocabas, Priyanka Patel, Michael Black
8. HairFree: Compositional 2D Head Prior for Text-Driven 360° Bald Texture Synthesis
   Mirela Ostrek, Michael Black, Justus Thies
9. Quantifying Uncertainty in Error Consistency: Towards Reliable Behavioral Comparison of Classifiers
   Thomas Klein, Sascha Meyen, Wieland Brendel, Felix A. Wichmann, Kristof Meding
10. Concept-Guided Interpretability via Neural Chunking
    Shuchen Wu, Stephan Alaniz, Shyamgopal Karthik, Peter Dayan, Eric Schulz, Zeynep Akata
11. FNOPE: Simulation-based inference on function spaces with Fourier Neural Operators
    Guy Moss, Leah Muhle, Reinhard Drews, Jakob H Macke, Cornelius Schröder
12. Put CASH on Bandits: A Max K-Armed Problem for Automated Machine Learning
    Amir Rezaei Balef, Claire Vernade, Katharina Eggensperger
13. Position: Benchmarking is Broken - Don't Let AI be Its Own Judge
    Zerui Cheng, Stella Wohnig, Ruchika Gupta, Samiul Alam, Tassallah Abdullahi, João Alves Ribeiro, Christian Nielsen-Garcia, Saif Mir, Siran Li, Jason Orender, Seyed Ali Bahrainian, Daniel Kirste, Aaron Gokaslan, Carsten Eickhoff, Ruben Wolff
14. ReSim: Reliable World Simulation for Autonomous Driving
    Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen
15. Register and [CLS] tokens induce a decoupling of local and global features in large ViTs
    Alexander Lappe, Martin Giese
16. How Benchmark Prediction from Fewer Data Misses the Mark
    Guanhua Zhang, Florian E. Dorner, Moritz Hardt
17. Monoculture or Multiplicity: Which Is It?
    Mila Gorecki, Moritz Hardt
18. Advancing Compositional Awareness in CLIP with Efficient Fine-Tuning
    Amit Peleg, Naman Deep Singh, Matthias Hein
19. Robustness in Both Domains: CLIP Needs a Robust Text Encoder
    Elias Abad Rocamora, Christian Schlarmann, Naman Deep Singh, Yongtao Wu, Matthias Hein, Volkan Cevher
20. Rethinking Approximate Gaussian Inference in Classification
    Bálint Mucsányi, Nathaël Da Costa, Philipp Hennig
21. Learning in Compact Spaces with Approximately Normalized Transformer
    Jörg Franke, Urs Spiegelhalter, Marianna Nezhurina, Jenia Jitsev, Frank Hutter, Michael Hefenbrock
22. Do-PFN: In-Context Learning for Causal Effect Estimation
    Jake Robertson, Arik Reuter, Siyuan Guo, Noah Hollmann, Frank Hutter, Bernhard Schölkopf
23. TabArena: A Living Benchmark for Machine Learning on Tabular Data
    Nick Erickson, Lennart Purucker, Andrej Tschalzev, David Holzmüller, Prateek Desai, David Salinas, Frank Hutter
24. DeltaProduct: Improving State-Tracking in Linear RNNs via Householder Products
    Julien Siems, Timur Carstensen, Arber Zela, Frank Hutter, Massimiliano Pontil, Riccardo Grazzi
25. Gompertz Linear Units: Leveraging Asymmetry for Enhanced Learning Dynamics
    Indrashis Das, Mahmoud Safari, Steven Adriaensen, Frank Hutter
26. EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Network
    Michael Arbel, David Salinas, Frank Hutter
27. On the Surprising Effectiveness of Large Learning Rates under Standard Width Scaling
    Moritz Haas, Sebastian Bordt, Ulrike Luxburg, Leena Chennuru Vankadara
28. Performative Validity of Recourse Explanations
    Gunnar König, Hidde Fokkema, Timo Freiesleben, Celestine Mendler-Dünner, Ulrike Luxburg
29. Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models
    Julius Vetter, Manuel Gloeckler, Daniel Gedon, Jakob H Macke
30. Identifying multi-compartment Hodgkin-Huxley models with high-density extracellular voltage recordings
    Ian Christopher Tanoh, Michael Deistler, Jakob H Macke, Scott Linderman
31. Forecasting in Offline Reinforcement Learning for Non-stationary Environments
    Suzan Ece Ada, Georg Martius, Emre Ugur, Erhan Oztop
32. Look-Ahead Reasoning on Learning Platforms
    Haiqing Zhu, Tijana Zrnic, Celestine Mendler-Dünner
33. Collective Counterfactual Explanations: Balancing Individual Goals and Collective Dynamics
    Ahmad-Reza Ehyaei, Ali Shirali, Samira Samadi
34. SPARTAN: A Sparse Transformer World Model Attending to What Matters
    Anson Lei, Bernhard Schölkopf, Ingmar Posner
35. Reparameterized LLM Training via Orthogonal Equivalence Transformation
    Zeju Qiu, Simon Buchholz, Tim Xiao, Maximilian Dax, Bernhard Schölkopf, Weiyang Liu
36. Counterfactual reasoning: an analysis of in-context emergence
    Moritz Miller, Bernhard Schölkopf, Siyuan Guo
37. Are Language Models Efficient Reasoners? A Perspective from Logic Programming
    Andreas Opedal, Yanick Zengaffinen, Haruki Shirakami, Clemente Pasti, Mrinmaya Sachan, Abulhair Saparov, Ryan Cotterell, Bernhard Schölkopf
38. Non-Stationary Lipschitz Bandits
    Nicolas Nguyen, Solenne Gaucher, Claire Vernade
39. Quantization-Free Autoregressive Action Transformer
    Ziyad Sheebaelhamd, Michael Tschannen, Michael Muehlebach, Claire Vernade

Von Klimawissenschaften bis Medizin

In der ersten Förderperiode von Januar 2019 bis Dezember 2025 hat der Exzellenzcluster insgesamt neun Gruppenleiterinnen und Gruppenleiter eingestellt. Alle befanden sich noch in einem frühen Stadium ihrer wissenschaftlichen Laufbahn, sie hatten entweder erst kurz zuvor promoviert oder nach ihrer Promotion einige Jahre als Postdoktoranden oder in der Industrie gearbeitet. Die Schwerpunkte der Gruppen reichten von Themen wie “Maschinelles Lernen für nachhaltige Energiesysteme” über “Menschliche und maschinelle Kognition” bis hin zum Einsatz von maschinellem Lernen in der medizinischen Bildanalyse. Alle Gruppen haben mit ihren Arbeiten wesentlich zum Erfolg des Exzellenzclusters beigetragen und die Verbindungen zwischen dem maschinellen Lernen und anderen wissenschaftlichen Disziplinen gestärkt.  

Unsere Gruppenleiterinnen und Gruppenleiter aus der ersten Förderphase werden ihre Laufbahn an folgenden Einrichtungen fortsetzen:

Franz Baumdicker wechselt auf eine Professur an die Universität Gießen. 

Christian Baumgartner ist seit Februar 2024 als Assistant Professor an der Universität Luzern in der Schweiz tätig.

Katharina Eggensperger wird auf eine Professur an die TU Dortmund wechseln. 

Konstantin Genin hat ein Angebot der University of Utah in Salt Lake City, USA als Assistant Professor angenommen.

Bedartha Goswami ist seit Oktober 2024 als Assistant Professor am Indian Institute of Science and Education and Research (IISER) in Pune in Indien tätig.

Miriam Klopotek ist im April 2022 als Nachwuchsgruppenleiterin an die Universität Stuttgart gewechselt.

Nicole Ludwig wechselt innerhalb der Universität Tübingen auf eine Professur am Tübingen AI Center.

Claire Vernade hat ein Angebot für eine Professur an der Technischen Universität Nürnberg angenommen. 

Charley Wu wechselt auf eine Professur an die Technische Universität Darmstadt.

Weiter Informationen zu unseren Gruppenleiterinnen und Gruppenleitern

Elf Forscherinnen der Max-Planck-Institute und des Universitätsklinikums Tübingen gaben Einblicke in ihre Arbeit – auf Englisch und Deutsch. Die Themen reichten von Proteintransport über künstliche Intelligenz bis hin zur Rolle des Lichts bei der Regulierung unseres Schlafzyklus. Einige brachten selbstgebaute Modelle mit, andere verwendeten Kinderbücher oder Poster – alles, um ihre Forschung nachvollziehbarer und zugänglicher zu machen. Für viele der SprecherInnen war es das erste Mal, dass sie außerhalb eines formellen akademischen Kontexts über ihre Forschung sprachen. Viele waren überrascht, wie neugierig und interessiert das Publikum war.

Bei Soapbox Science geht es nicht nur darum, Wissenschaft zugänglicher zu machen – die Veranstaltung hat auch ein starkes Zeichen für die Sichtbarkeit von Frauen und nicht-binären Personen in der Wissenschaft gesetzt. Wie die Organisatorinnen Susan Fischer und Monika Lam vom Max-Planck-Institut für biologische Kybernetik betonten, bleibt die Gleichstellung der Geschlechter ein wichtiges Thema in der Wissenschaft.

Dank der überwältigend positiven Resonanz sind bereits Pläne für eine Veranstaltung im nächsten Jahr in Arbeit. 

Mehr Informationen: https://soapboxsciencetuebingen.github.io/

Die Plattform arbeitet mit einem inhaltsbasierten Empfehlungssystem, das dabei hilft, Artikel aus Open-Access-Quellen wie arXiv, bioRxiv, medRxiv und anderen zu finden. Das System lernt anhand von Nutzerinteraktionen. Auf diese Weise erreichen die Artikel den Suchenden genau in dem Moment, in dem sie veröffentlicht werden. 

Mehr über Scholar Inbox auf unserem Blog: Scholar Inbox: Tägliche Paper-Empfehlungen nur für dich.

The successful candidate will be based at the AIMS Research and Innovation Centre (AIMS RIC) in Kigali, Rwanda, but will also be integrated into our Cluster of Excellence “Machine Learning – New Perspectives for Science” at the University of Tübingen, Germany. AIMS RIC is the sixth centre of the African Institute for Mathematical Sciences (AIMS), a pan-African network of Centres of Excellence for post-graduate training, research and public engagement in mathematical sciences.

We are looking for aspiring scientists with a PhD to work on machine learning for science in a wide sense: either pursuing research on core machine learning or applying machine learning to a scientific discipline of your choice, be it in the natural sciences, social sciences, or life sciences.

Deadline for application is August 31, 2025.

Details on the job offer can be found here.

Krenn möchte verstehen, wie man Wissenschaft mit maschinellem Lernen extrem beschleunigt, indem man Prozesse des wissenschaftlichen Arbeitens umfassend automatisiert. Er konzentriert sich dabei auf Anwendungen im Bereich der Physik, insbesondere der Quantenphysik. Vor allem möchte er mit intelligenten Algorithmen neuartige Experimente designen, mit denen man das Universum von den kleinsten bis zu den größten Strukturen besser beobachten kann.

Die Automatisierung von Wissenschaft ist für ihn jedoch keine rein technische Frage. Stattdessen ist es für ihn essenziell zu verstehen, wie gute menschliche Wissenschaftlerinnen und Wissenschaftler arbeiten und was genau sich hinter Konzepten wie Kreativität, Verständnis und Neugier verbirgt. 

Über sein langfristiges Ziel sagt Krenn: “Ich möchte Forschende künstlich nachbauen”. Es geht ihm also darum, jegliche Aspekte menschlichen wissenschaftlichen Arbeitens mit Computern nachzuahmen. Damit meint er nicht, den Mensch in der Wissenschaft zu ersetzen. Vielmehr ist Krenn davon überzeugt, dass Forschende durch einen kreativen Umgang mit künstlicher Intelligenz zu neuen Fragestellungen inspiriert werden können, und dass schlaue Computerprogramme ungewöhnliche Lösungswege finden können, auf die Menschen allein nicht kommen würden.

Krenn hat in Wien Physik studiert und in der Gruppe von Anton Zeilinger im Bereich der Quantenphysik promoviert und dort später als Postdoc gearbeitet. 2019 ging er mit einem Erwin-Schrödinger-Stipendium als Postdoc an die University of Toronto, wo er am Vector Institute for Artificial Intelligence tätig war. Bevor er den Ruf nach Tübingen annahm, leitete er von von Herbst 2021 an das “Artificial Scientist Lab” am Max-Planck-Institut für die Physik des Lichts in Erlangen.

Doch Machine-Learning-Verfahren haben noch immer Schwachstellen mit Blick auf ihre Zuverlässigkeit, Robustheit und Interpretierbarkeit. Der Exzellenzcluster zielt in der zweiten Förderperiode darauf ab, solche Methoden weiterzuentwickeln und automatisierte Lernverfahren in den gesamten wissenschaftlichen Arbeitsprozess einzubinden. Das Potential dieses Ansatzes werden die Forschenden an einem breiten Spektrum von Disziplinen unter Beweis stellen und zum Beispiel Ursachen für Krankheitsverläufe identifizieren oder die Dynamik von Quantensystemen aufklären.

Sprecherin und Sprecher des Forschungsverbunds sind die Informatikerin Professorin Ulrike von Luxburg und der Neurowissenschaftler Professor Philipp Berens, Direktor des Hertie Institute for AI in Brain Health. Neben der Universität Tübingen sind das Max-Planck-Institut für Intelligente Systeme, das Max-Planck-Institut für biologische Kybernetik, das ELLIS Institut Tübingen, das Leibniz-Institut für Wissensmedien sowie das African Institute for Mathematical Sciences (AIMS) beteiligt. 

Weitere 5 Exzellenzclusteranträge der Universität Tübingen waren ebenfalls erfolgreich, siehe Pressemitteilung. 
 

Kontakt

Professorin Ulrike von Luxburg
Universität Tübingen
Fachbereich Informatik
ulrike.luxburgspam prevention@uni-tuebingen.de 

Professor Philipp Berens
Direktor des Hertie Institute for AI in Brain Health
Universität Tübingen
philipp.berensspam prevention@uni-tuebingen.de 

Theresa Authaler
Cluster Pressereferentin
theresa.authalerspam prevention@uni-tuebingen.de 
+49 162 1788206

Die besondere Fähigkeit, voneinander zu lernen, ist ein entscheidendes Merkmal der menschlichen Spezies. Soziales Lernen ermöglicht es Menschen, Informationen über Generationen hinweg schrittweise aufzubauen und zu erweitern. Und obwohl wir in der Lage sind, Städte voller Wolkenkratzer zu bauen, Menschen ins All zu schicken und gemeinsam Heilmittel für Krankheiten zu entwickeln, konzentrieren sich die meisten Studien, die sich mit den Mechanismen des sozialen Lernens befassen, auf relativ einfache, abstrakte Aufgaben, die wenig Ähnlichkeit mit realen sozialen Lernumgebungen haben. Daher ist wenig darüber bekannt, wie Menschen persönliche und soziale Informationen in realistischen Kontexten dynamisch integrieren. Um dies zu untersuchen, entwickelte ein internationales Team von Forschenden des Exzellenzclusters Science of Intelligence (SCIoI), des Max-Planck-Instituts für Bildungsforschung (MPIB), der Universität Tübingen und der New York University eine virtuelle Nahrungssuche im beliebten Videospiel Minecraft – einer aus dreidimensionalen Blöcken bestehenden Spielewelt. Die Studie zeigte, dass Anpassungsfähigkeit – also der flexible Wechsel zwischen eigenständigem und sozialem Lernen – der wichtigste Erfolgsfaktor ist.

Die Leistungsfähigkeit neuronaler Sprachmodelle ist in letzter Zeit enorm gestiegen; die entsprechenden Technologien sind längst Teil unseres Alltags. „Die sprachwissenschaftliche Forschung kann mit der rasanten Entwicklung dieser neuen Werkzeuge kaum noch mithalten,“ sagt Michael Franke. „Es fehlen fundierte Methoden zum Verständnis und zur sicheren Anwendung der Modelle.“ Zwar gebe es erprobte theoretische Konzepte und etablierte Standards für die empirische Forschung, diese müssten jedoch gezielt für die neuen Sprachtechnologien weiterentwickelt werden. Diese Problematik betreffe verschiedene Bereiche, so Franke: von der theoretischen und experimentellen Linguistik über die Computerlinguistik, die Psycholinguistik und die Verarbeitung natürlicher Sprache bis hin zu den Kognitionswissenschaften im Allgemeinen. Im Schwerpunktprogramm „LaSTing“ will Michael Franke die Ansätze aus den einzelnen Disziplinen zusammenbringen und eine gemeinsame Grundlage für ein neues Feld der Sprachforschung schaffen, in dessen Mittelpunkt die Sprachmodellierung steht.

Mit den Schwerpunktprogrammen unterstützt die DFG interdisziplinäre Forschungsvorhaben, von denen eine prägende Wirkung auf ein wissenschaftliches Feld zu erwarten ist – durch die Erschließung neuer Forschungsgebiete oder neue Ansätze in bekannten Gebieten. Zudem zeichnen sich Schwerpunktprogramme durch eine ortsübergreifende Zusammenarbeit von Wissenschaftlerinnen und Wissenschaftlern aus.

Nach einer Meldung der Universität Tübingen von Tina Schäfer.

Wenn man kurz hintereinander vier Bilder gezeigt bekommt und sich die Reihenfolge dieser merken müsste, um sie anschließend wiederzuerkennen – Wie behält das Gehirn dann die Reihenfolge im Gedächtnis? Naheliegend wäre, dass die Neuronen im Gehirn nacheinander feuern, so wie die Bilder auch gesehen wurden. Das war lange auch die gängige Theorie in der Neurowissenschaft.

Ein Forschungsteam um Prof. Florian Mormann von der Klinik für Epileptologie am UKB, der auch ein Mitglied in dem Transdisziplinären Forschungsbereich (TRA) „Life & Health“ der Universität Bonn ist, hat diese Theorie untersucht, indem es eine Besonderheit der Therapie von Epilepsie am UKB genutzt hat. Menschen mit besonders schwer behandelbarer Epilepsie werden dort zur Behandlung Elektroden im Gehirn implantiert. Damit soll der Ursprung der epileptischen Anfälle genau bestimmt werden, um bessere chirurgische Ergebnisse zu erzielen. Durch diese implantierten Elektroden kann aber auch die menschliche Gehirnaktivität von einzelnen Zellen aufgezeichnet werden. „Wir haben das Glück, einen so außergewöhnlich seltenen Datensatz von Einzelzellaufzeichnungen verwenden zu können. So eine genaue Messung ist in anderen Versuchen nicht der Fall. Deshalb war zuvor eine Überprüfung der Theorie nicht möglich“, sagt Prof. Mormann, Letztautor der Studie und Leiter des Labors für Kognitive und Klinische Neurophysiologie.

In der Studie lösten die Teilnehmenden mit Epilepsie eine Merkaufgabe, während ihre Neuronenaktivität gemessen wurde. Während der Aufzeichnung sollten sie die Reihenfolge von Bildern, die ihnen auf einem Bildschirm gezeigt wurden, im Gedächtnis behalten und anschließend wiedererkennen.

Ergebnisse mit Hilfe von KI-Methoden weiter untersucht

Anders als zuvor gedacht ist es so, dass die genaue Abfolge der Zellantworten im Gehirn nicht mit der Abfolge der Ereignisse übereinstimmt. „Zunächst war das Ergebnis auch für uns überraschend, denn schließlich widersprachen unsere Daten einer sehr klassischen und bekannten Theorie darüber wie das Gehirn sich eine Reihenfolge von Ereignissen merkt“, berichtet Dr. Stefanie Liebe, Erstautorin der Studie und ehemalige wissenschaftliche Mitarbeiterin bei Prof. Mormann. Jetzt ist sie als Wissenschaftlerin und Ärztin in Weiterbildung in der Abteilung Neurologie mit Schwerpunkt für Epileptologie des Universitätsklinikums Tübingen tätig.

Um den Ergebnissen auf den Grund zu gehen, kooperierten sie mit Matthijs Pals und Jakob Macke vom Exzellenzcluster „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“ der Universität Tübingen. Mit Methoden der künstlichen Intelligenz (KI) trainierten sie ein im Computer nachgebautes neuronales Netzwerk in den gleichen Gedächtnisaufgaben, die auch die Menschen durchführen sollten. „Um die Aufgabe erfolgreich zu meistern, zeigte das Computer-Modell interessanterweise hierbei ähnliche Aktivitätsmuster wie die von uns aufgezeichnete Gehirnaktivität“, erklärt Dr. Liebe.

Durch die Modellsimulation entdeckten die Forschenden zusätzlich einen alternativen Mechanismus der Erinnerung von Reihenfolgen, der aus einem zeitlich-dynamischen Zusammenspiel der Bildpräsentationen, ablaufenden Hirnschwingungen und Signalen von einzelnen Zellen entsteht. „Mit dem Computer-Modell konnten wir weitere Hypothesen generieren und überprüfen. Jetzt haben wir ein neuartiges Verständnis darüber, wie Erinnerungen im Gehirn organisiert werden“, sagt Prof. Macke. „Unsere Studie zeigt somit auch das enorme Potential der Kombination aus neuronalen Aufzeichnungen und KI auf, um komplexe Gehirnfunktionen im Menschen zu erforschen.“

Beteiligte Institutionen und Förderung: Die Studie wurde gefördert durch die Deutsche Forschungsgemeinschaft (DFG); die Exzellenzstrategie des Bundes und der Länder; die Volkswagenstiftung; NRW-Netzwerkprogramm und das Bundesministerium für Bildung und Forschung (BMBF), und dem Exzellenzcluster „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“ der Universität Tübingen.

Publikation: Stefanie Liebe et al.: “Phase of firing does not reflect temporal order in sequence memory of humans and recurrent neural networks”; Nature Neuroscience; DOI: https://doi.org/10.1038/s41593-025-01893-7

Nach einer Pressemitteilung des Universitätsklinikums Bonn: Reihenfolge entschlüsselt, in der Neuronen feuern — Universität Bonn. 

Unter anderem empfiehlt der Rat die Schaffung von sicherer Infrastruktur für leichtere Datenspenden, eine Sammelstelle für Vorschläge zur KI-Forschung und eine bessere Vernetzung von Ärztinnen, Patienten und Forschenden mithilfe von künstlicher Intelligenz. Bei Fragen der Verkehrspolitik in Verbindung mit Anwendungen künstlicher Intelligenz empfehlen die Bürgerinnen und Bürger die Einrichtung eines ständigen Bürgerrats. Er könne dabei helfen, die Sicherheit von Radwegen zu erhöhen und CO2-Emissionen im Straßenverkehr zu senken.

„Künstliche Intelligenz verändert unsere Lebenswelt. Deshalb ist es wichtig, Bürgerinnen und Bürger in diesem Transformationsprozess mitzunehmen und zu beteiligen. Der Bürgerrat ,KI und Freiheit‘ der Universität Tübingen leistet hierbei Pionierarbeit“, sagte Wissenschaftsministerin Petra Olschowski. „Die zufällig ausgelosten Mitglieder aus dem Land kommen mit Forschenden ins Gespräch und haben die Chance, ihre individuelle Perspektive einzubringen. Ich danke den Bürgerinnen und Bürgern für ihr Engagement: Ihre Empfehlungen geben nicht nur wichtige Impulse für die KI-Forschung und -Entwicklung, sie fördern auch die gesellschaftliche Diskussion.“

„Forschungsergebnisse und technologische Entwicklungen beeinflussen das Leben aller Bürgerinnen und Bürger. Deshalb sollten deren Interessen, Bedürfnisse und Perspektiven frühzeitig berücksichtig werden“, sagte Professorin Dr. Dr. h.c. (Dōshisha) Karla Pollmann, Rektorin der Universität Tübingen. Ein Rat von Bürgerinnen und Bürgern sei dafür ein effektives Mittel, um im Austausch gemeinsam an den besten Lösungen zu arbeiten und auch Vorschläge zur Umsetzung zu erarbeiten.

Der Bürgerrat wird seine Empfehlungen auch an das Exzellenzcluster „Maschinelles Lernen für die Wissenschaft“ der Universität Tübingen und an das Public Advisory Board des Cyber Valley übergeben. Im Cyber Valley koordinieren sich Forschungseinrichtungen, Unternehmen und öffentliche Stellen, die in Stuttgart, Tübingen und Karlsruhe in der KI-Forschung tätig sind. Es ist der größte Verbund dieser Art in Europa.

Die Empfehlungen im Einzelnen:

• Transparentere Vermittlung von KI-Forschung in klarer Sprache und geeigneten Formaten (Webseiten, KI-Messen, Diskussionsrunden, Tage der offenen Tür, etc.)
• Aufbau von Infrastruktur für sichere Datenspenden von Bürger:innen und Patient:innen; Überprüfung des ethischen Umgangs mit den Datenspenden durch gewählte Kontrollorgane
• Einrichtung einer Sammelstelle für Vorschläge zur KI-Forschung durch Bürger:innen (Quorum für Vorschläge, Prüfung durch Expert:innen) sowie öffentliche Mittel zur Umsetzung dieser Vorschläge
• Hoher Stellenwert für Forschung zu „KI in den Medien“ und deren gesellschaftlichen Folgen; hoher Stellenwert für KI-Forschung im Gesundheitsbereich und gesellschaftlicher Prioritäten bei der Auswahl der Forschungsthemen
• Maßnahmen (wie Werbespots, Ärzt:innengespräche, Events), die Bürger:innen das Potential von Spenden ihrer anonymisierten Gesundheitsdaten an die KI-Forschung nahebringen und sie befähigen, selbstverantwortliche Entscheidungen zu treffen
• Bessere Vernetzung zwischen KI-Forschenden, Patient:innen und Hausärzt:innen
• Erleichterung von Datenspenden zur Erforschung von Problemen im Verkehr und ÖPNV
• Einberufung dauerhafter Bürger:innen-Räte zur Beratung der KI-Forschung bei Verkehrsthemen wie beispielsweise autonomem Fahren, mehr Sicherheit auf Radwegen, der Reduktion von CO2 und Feinstaub oder mehr Transportkapazitäten im ÖPNV
• Transparente Kommunikation von Unsicherheiten bei KI-Anwendungen speziell im Verkehrs- und Gesundheitssektor, um kein falsches Sicherheitsgefühl zu vermitteln

Das Zentrum für rhetorische Wissenschaftskommunikationsforschung zur Künstlichen Intelligenz (RHET AI Center) der Universität Tübingen unter der Leitung von Prof. Dr. Kramer hatte den Bürgerrat im Januar 2024 initiiert. Der Verein Mehr Demokratie e.V. und eine interdisziplinär besetzte wissenschaftliche Begleitgruppe berieten den Prozess. Finanziert wurde das Projekt aus Mitteln der Exzellenzstrategie der Universität Tübingen und der VolkswagenStiftung. Den Bürgerinnen und Bürgern wurden die Fahrtkosten erstattet und sie erhielten eine Aufwandspauschale pro Sitzung.

Der Bürgerrat bestand aus vierzig Bürgerinnen und Bürger, die nach einem Zufallsverfahren aus vier Kommunen unterschiedlicher Größe berufen wurden: Reutlingen repräsentierte im Sample eine Großstadt, Waiblingen eine Mittelstadt, Hemsbach eine Kleinstadt und Kleines Wiesental ein Dorf. Die Kommunen gehören jeweils zu einem Regierungsbezirk in Baden-Württemberg und liegen sowohl in urbanen als auch ländlichen Räumen. Das Verfahren stellte sicher, dass Bürgerinnen und Bürger aus unterschiedlichen Altersgruppen, mit und ohne Migrationshintergrund sowie mit unterschiedlichem Bildungsgrad von der Hauptschule bis zum abgeschlossenen Studium vertreten waren.

In vier Sitzungen berieten sich die Bürgerinnen und Bürger. Sie sprachen auch mit Ethikern, KI-Expertinnen und -Anwendern. Die erste Sitzung fand Ende September 2024 statt, die letzte im Dezember. Zu den Themen Medizin, Verkehr und Medien bildeten die Bürgerinnen und Bürger eigene Arbeitsgruppen, die spezielle Empfehlungen erstellten und wiederum im Plenum diskutierten und abstimmten. Anschließend schrieb ein Redaktions-Team aus dem Bürgerrat die finale Fassung der Empfehlungen.

„Das große Engagement der Bürgerinnen und Bürger während der Diskussionen im Bürgerrat zeigt, wie sehr das Thema Künstliche Intelligenz die Menschen umtreibt. In Anbetracht der gesellschaftlichen Veränderungen, die durch Künstliche Intelligenz ausgelöst werden, ist ein transparenter und dialogorientierter Austausch zwischen Wissenschaft und Gesellschaft unerlässlich“, so Olaf Kramer, der Sprecher des RHET AI Centers.

Die Umsetzung der Ideen steht dem Ministerium, dem Exzellenz-Cluster Maschinelles Lernen in der Wissenschaft“ und dem Cyber Valley sowie weiteren Akteuren, die angesprochen werden, frei. Ergebnisse des Bürgerrats sind auf der Webseite des Projekts www.bürgerrat-ki.de  dokumentiert und werden weiter fortgeschrieben.

Nach einer Pressemitteilung der Universität Tübingen.

In einer am 6. März 2025 in Nature veröffentlichten Studie stellt ein interdisziplinäres Forschungsteam eine neuartige Methode des maschinellen Lernens vor, welche die Gravitationswellen von Neutronensternkollisionen blitzschnell analysieren kann – noch bevor die Verschmelzung vollständig beobachtet wird. Dem Team gehören auch drei Wissenschaftler aus unserem Clusterverbund an, Maximilian Dax, Bernhard Schölkopf und Jakob Macke. In nur einer Sekunde analysiert das neuronale Netz die auf der Erde ankommenden Daten und ermöglicht so eine schnelle Suche nach sichtbarem Licht und anderen elektromagnetischen Signalen, die während der Kollisionen ausgesendet werden. Diese neue Methode könnte eine wichtige Rolle dabei spielen, das Feld für die nächste Generation von Observatorien vorzubereiten.

Die Verschmelzung zweier Neutronensterne findet Millionen von Lichtjahren von der Erde entfernt statt. Die dabei erzeugten Gravitationswellen zu verstehen, stellt eine große Herausforderung für herkömmliche Datenanalyse-Methoden dar. Diese Signale umfassen bei derzeitigen Detektoren einige Minuten und bei zukünftigen Observatorien möglicherweise Stunden bis Tage an Daten. Die Analyse solch umfangreicher Datensätze ist rechenintensiv und zeitaufwändig.

Ein internationales Team von Wissenschaftler*innen hat einen Algorithmus für maschinelles Lernen mit der Bezeichnung DINGO-BNS (Deep INference for Gravitational-wave Observations from Binary Neutron Stars) entwickelt, der kostbare Zeit spart bei der Interpretation von Gravitationswellen, die bei der Verschmelzung zweier Neutronensterne entstehen. Das neuronale Netz braucht nur eine Sekunde, um Systeme verschmelzender Neutronensterne vollständig zu charakterisieren. Die schnellsten herkömmlichen Methoden benötigen dafür etwa eine Stunde. Das Team veröffentlicht seine Forschungsergebnisse am 6. März 2025 im Fachjournal Nature unter dem Titel „Real-time inference for binary neutron star mergers using machine learning“.

Warum sind Echtzeitberechnungen wichtig?

Bei der Verschmelzung von Neutronensternen werden neben den Gravitationswellen auch sichtbares Licht (bei der anschließenden Kilonova-Explosion) und weitere elektromagnetische Strahlung ausgesandt, wie in diesem Video dargestellt. „Eine schnelle und genaue Analyse der Gravitationswellen-Daten ist entscheidend, um die Quelle zu lokalisieren und Teleskope so schnell wie möglich auszurichten, um alle zugehörigen Begleitsignale zu beobachten“, sagt der Erstautor der Publikation, Maximilian Dax, ehemaliger Doktorand der Abteilung für Empirische Inferenz am Max-Planck-Institut für Intelligente Systeme (MPI-IS), nun PostDoc an der ETH Zürich und am ELLIS Institut Tübingen.

Die Echtzeit-Methode könnte einen neuen Standard für die Datenanalyse von Neutronenstern-Verschmelzungen setzen und Astronom*innen mehr Zeit geben, ihre Teleskope auf die verschmelzenden Neutronensterne auszurichten, sobald die großen Detektoren der LIGO-Virgo-KAGRA (LVK)-Kollaboration diese Signale aufspüren.

„Die Algorithmen zur Echtzeit-Analyse, die die LVK-Kollaboration derzeit verwendet, verwenden Näherungen, die auf Kosten der Genauigkeit gehen. Unsere neue Studie behebt diese Schwächen“, sagt Jonathan Gair, Gruppenleiter in der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am Max-Planck-Institut für Gravitationsphysik im Potsdam Science Park.

Ganz ohne solche Näherungsverfahren charakterisiert die maschinelle Lernmethode Verschmelzungen von Neutronensternen (z. B. ihre Masse, ihre Rotation und ihre Position) in nur einer Sekunde vollständig. Dies ermöglicht es unter anderem, die Position am Himmel um 30% genauer zu bestimmen. Weil das neuronale Netz derart schnell und genau arbeitet, kann es wichtige Informationen für gemeinsame Beobachtungen der Gravitationswellen-Detektoren und Teleskope liefern. Die Maschinelle Lernmethode kann helfen, nach sichtbarem Licht und anderen elektromagnetischen Signalen zu suchen, die bei der Verschmelzung entstehen, und dabei die teure Beobachtungszeit der Teleskope bestmöglich zu nutzen.

Verschmelzende Neutronensterne auf frischer Tat ertappen

„Die Analyse der Gravitationswellen von Doppelneutronensternen ist besonders anspruchsvoll, sodass wir für DINGO-BNS verschiedene technische Innovationen entwickeln mussten. Dazu gehört zum Beispiel eine Methode zur Datenkompression, die sich den Ereignissen anpasst“, sagt Stephen Green, UKRI Future Leaders Fellow an der Universität Nottingham. Bernhard Schölkopf, Direktor der Abteilung für Empirische Inferenz am MPI-IS und des ELLIS Instituts Tübingen, ergänzt: „Unsere Studie zeigt, wie effektiv es ist, moderne maschinelle Lernmethoden mit physikalischem Fachwissen zu kombinieren.“

DINGO-BNS könnte eines Tages helfen, elektromagnetische Signale vor und zum Zeitpunkt der Kollision zweier Neutronensterne zu beobachten. „Solche frühen Multi-Messenger-Beobachtungen könnten neue Erkenntnisse über den Verschmelzungsprozess und die anschließende Kilonova liefern, die immer noch nicht vollständig verstanden sind“, sagt Alessandra Buonanno, Direktorin der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am Max-Planck-Institut für Gravitationsphysik.

Hier der Link zur Publikation.

Nach einer Pressemitteilung des Max-Planck-Instituts für Intelligente Systeme.

„Im Namen aller Universitätsangehörigen gratuliere ich Herrn Professor Dr. Tobias Hauser und Herrn Dr. Michael Kienzle zu ihrer Auszeichnung“, sagt Professorin Dr. Dr. h.c. (Dōshisha) Karla Pollmann, Rektorin der Universität Tübingen. „Zugleich danke ich den beiden Forschern, dass sie mit ihren Mitarbeitenden die Erkenntnisse aus ihrer jahrelangen Forschung einer breiten Öffentlichkeit zugänglich machen, Menschen einbinden und somit an Wissenschaft teilhaben lassen, wodurch Verständnis entsteht. Dies bildet die unverzichtbare Grundlage für Vertrauen unserer Gesellschaft in die Forschung.“

Aufklärungskampagne: die Sache mit dem Zwang

Tobias Hauser forscht zur Zwangsstörung, einer psychischen Störung, oft auch OCD genannt (englisch für Obsessive Compulsive Disorder). Ihn interessiert vor allem die Frage, warum diese meist im Jugendalter auftritt. Der Wissenschaftler untersucht, wie sich neuronale Netzwerke bei Jugendlichen entwickeln, wie sie sich auf das Verhalten auswirken und wie eine veränderte Entwicklung zu OCD führen kann. Diese Nominierung überzeugte die Jury, weil der Neurowissenschaftler mit seinem Team zusätzlich zur Forschung eine Aufklärungskampagne entwickelt hat. „Beeindruckt hat uns der moderne Ansatz in der Kommunikation, der viele Wege nutzt, um sowohl Betroffene wie auch die interessierte Öffentlichkeit zu erreichen“, sagt die Juryvorsitzende Professorin Dr. Monique Scheer, Prorektorin für Internationales und Diversität der Universität Tübingen.

Zur Kampagne zählen die modern gestaltete, zweisprachige Website www.ocdandthebrain.com/de, YouTube-Videos, klassische Pressearbeit und Social-Media wie beispielsweise die Kooperation mit der Influencerin Jessica Teitz, die selbst als Betroffene den Instagramkanal @freiheitundvertrauen betreibt. „Überzeugt hat uns die Tatsache, dass sich Tobias Hauser mit seinem Team dafür einsetzt, in einen Dialog zu treten und das Ziel eines direkten, unmittelbaren Austauschs verfolgt“, sagt Prorektorin Monique Scheer. Das gelinge sowohl in sachlicher Hinsicht mit Blick auf Forschungsergebnisse wie auch mit dem gebotenen Gespür für die Betroffenen.

Der Tübinger Preis für Wissenschaftskommunikation wird seit 2021 jährlich verliehen. Die Auszeichnung soll Wissenschaftlerinnen und Wissenschaftler motivieren, vermehrt über ihre Forschung zu kommunizieren. Der Hauptpreis ist mit 10.000 Euro, der Nachwuchspreis mit 5.000 Euro dotiert. Die Auszeichnung für das Jahr 2025 wird in einer öffentlichen Feierstunde verliehen. Der genaue Termin wird zu einem späteren Zeitpunkt bekannt gegeben.

Nach einer Pressemitteilung der Universität Tübingen.

Blog-Beitrag: Ein Netzwerk, in dem Frauen sich gegenseitig stärken

Können wir neuronale Netze bauen, die in Struktur und Rechenleistung einem echten Gehirn entsprechen? Ganz so weit sind wir zwar noch nicht, aber unsere neue Arbeit zeigt eine Strategie auf, wie wir diesem Ziel näherkommen können.

Blog-Beitrag: Wie ein winziges Tier uns hilft, Gehirnsimulationen mit KI zu verbessern

Wie denken Menschen in Baden-Württemberg über das Thema KI, und was würden sie Politik und Forschung dazu gern mitteilen? Um das herauszufinden, hat die Universität Tübingen den Bürgerrat „KI und Freiheit“ auf den Weg gebracht. Im Interview sprechen Anika Kaiser und Patrick Klügel aus dem Projektteam darüber, was der Rat bewegen kann – und wo seinem Einfluss Grenzen gesetzt sind.

Blog-Beitrag:Bürgerrat „KI und Freiheit“: Menschen zum Mitreden ermutigen

Ionenkristall als Systembaustein

Im ERC-Projekt "Open 2D Quantum Simulator“ (Open-2QS)”– Offener 2D-Quantensimulator – werden die Forscher präzise kontrollierbare Quantensysteme realisieren. Dazu werden Ionen in Fallen gespeichert, in denen sie regelmäßige zweidimensionale Strukturen ausbilden, sogenannte Ionenkristalle. Die Ionen werden nun mit Laserpulsen anregt und dadurch gezielt in Wechselwirkung gebracht. Die dynamischen Vorgänge in einem solchen synthetischen Quantensystem sind so komplex, dass eine Vorhersage die Leistungsfähigkeit klassischer Computer weit übersteigt. „Bisher waren im Labor erzeugte synthetische Quantensysteme sehr kurzlebig. Unser Ziel im ERC-Synergy-Projekt ist es, die Lebensdauer dramatisch zu verlängern. Dies wird völlig neue Möglichkeiten zur Erforschung komplexer Materiezustände, zum Beispiel Quantengläsern, ermöglichen“, erklärt Igor Lesanovsky.

Synthetische Quantensysteme und deren Beobachtung

Für das Projekt haben sich drei Pioniere auf dem Gebiet der Forschung an elektronisch hochangeregten Ionen zusammengefunden. Um das wissenschaftlich anspruchsvolle Ziel gemeinsam zu verwirklichen, nutzen die Forscher die besonderen Eigenschaften von atomaren Ionen aus. Diese sind positiv geladen, weil ihnen ein Elektron fehlt, und sie stoßen sich dadurch gegenseitig ab. “Von außen werden die Ionen von einer elektrischen Falle umgeben. Die Kräfte halten sich dabei die Waage: Von außen wird das System durch die Falle begrenzt, untereinander bleiben die Ionen aber durch ihre Abstoßung auf Abstand. Genau dadurch bilden sich Ionenkristalle aus. Dieses System ist so stabil, dass es über viele Stunden untersucht werden kann”, so Ferdinand Schmidt-Kaler.

Nun kann man die Ionen mit Laserstrahlen beschießen und dadurch anregen. „Ein weiteres Elektron aus der Hülle wird in einen höheren Energiezustand gebracht. Man hat dann also einen zweifach positiv geladenen Kern mit einem Elektron auf einer sehr weit außen liegenden Umlaufbahn. Ionen in diesem Zustand werden als Rydberg-Ionen bezeichnet. Zwei benachbarte Rydberg-Ionen treten in Wechselwirkung – wie zwei magnetische Nadeln, die sich gegenseitig beeinflussen und ausrichten“, sagt Markus Hennrich. Durch die Steuerung mit Laserpulsen lässt sich das synthetische Quantensystem an- und ausschalten, zum Beispiel um komplexe magnetische Materialien besser zu verstehen. Laserpulse können auch für eine spontane Lichtaussendung aus dem Quantensystem sorgen, wodurch es zeitgleich beobachtet werden kann. Solch ein offenes System, das im Energieaustausch mit der Umwelt steht, soll im ERC-Projekt für die Beobachtung künstlich realisierter chemischer oder biologischer Vorgänge eingesetzt werden.

Die unvorstellbare Komplexität von Quantendynamik lasse sich an folgendem Beispiel demonstrieren, so Lesanovsky: Schon ein System von 300 Teilchen, die jeweils zwei Zustände annehmen können, kann in so vielen verschiedenen Konfigurationen angetroffen werden, wie es Atome im sichtbaren Universum gibt. "Hochinteressant an solchen Systemen ist ihr emergentes Verhalten. Das bedeutet, dass die Eigenschaften des Gesamtsystems völlig neuartige Phänomene zeigen, die man aus den Eigenschaften eines einzelnen Teilchens nie vermutet hätte. So wie ein großer Schwarm von Vögeln sich ganz anders am Himmel bewegt als ein einzelner Vogel. In den letzten Jahren ist theoretische Quantenphysik oft dem Experiment vorausgegangen. Inzwischen kommen aber viele neue Impulse aus den Daten von extrem gut kontrollierten Quantensimulatoren und regen die Entwicklung neuer Methoden in der Theorie an“, sagt Lesanovsky. Daher ist die Zusammenarbeit von experimentell und theoretisch arbeitenden Forschern, wie hier im ERC-Synergy-Projekt, essenziell, um Fortschritte zu erreichen.

In diesem Jahr ist unser Cluster mit 44 Papern auf der NeurIPS vertreten.

Liste der akzeptierten Beiträge unserer Mitglieder (alle Beiträge sind hier zu finden):

1. Tristan Cinquin, Marvin Pförtner, Vincent Fortuin, Philipp Hennig, Robert Bamler
   FSP-Laplace: Function-Space Priors for the Laplace Approximation in Bayesian Deep Learning
2. Sebastian Damrich, Philipp Berens, Dmitry Kobak
   Persistent Homology for High-dimensional Data Based on Spectral Methods
3. Vishaal Udandarao, Karsten Roth, Sebastian Dziadzio, Ameya Prabhu, Mehdi Cherti, Oriol Vinyals, Olivier Henaff, Samuel Albanie, Zeynep Akata, Matthias Bethge
   A Practitioner's Guide to Real-World Continual Multimodal Pretraining
4. Vishaal Udandarao, Ameya Prabhu, Adhiraj Ghosh, Yash Sharma, Philip Torr, Adel Bibi, Samuel Albanie, Matthias Bethge
   No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance
5. Ori Press, Andreas Hochlehnert, Ameya Prabhu, Vishaal Udandarao, Ofir Press, Matthias Bethge
   CiteME: Can Language Models Accurately Cite Scientific Claims?
6. Matthias Tangemann, Matthias Kümmerer, Matthias Bethge
   Object segmentation from common fate: Motion energy processing enables human-like zero-shot generalization to random dot stimuli
7. Ameya Prabhu, Vishaal Udandarao, Philip Torr, Matthias Bethge, Adel Bibi, Samuel Albanie
   Efficient Lifelong Model Evaluation in an Era of Rapid Progress
8. Anna Mészáros, Patrik Reizinger, Szilvia Ujváry, Wieland Brendel, Ferenc Huszar
   Rule Extrapolation in Language Modeling: A Study of Compositional Generalization on OOD Prompts
9. Roland S. Zimmermann, David Klindt, Wieland Brendel
   Measuring Per-Unit Interpretability at Scale Without Humans
10. Tankred Saanum, Peter Dayan, Eric Schulz
    Simplifying Latent Dynamics with Softly State-Invariant World Models
11. Jack Merullo, Carsten Eickhoff, Ellie Pavlick
    Talking Heads: Understanding Inter-Layer Communication in Transformer Language Models
12. Haiwen Huang, Songyou Peng, Dan Zhang, Andreas Geiger
    Renovating Names in Open-Vocabulary Segmentation Benchmarks
13. Shenyuan Gao, Jiazhi Yang, Li Chen, Kashyap Chitta, Yihang Qiu, Andreas Geiger, Jun Zhang, Hongyang Li
    Vista: A Generalizable Driving World Model with High Fidelity and Versatile Controllability
14. Daniel Dauner, Marcel Hallgarten, Tianyu Li, Xinshuo Weng, Zhiyu Huang, Zetong Yang, Hongyang Li, Igor Gilitschenski, Boris Ivanovic, Marco Pavone, Andreas Geiger, Kashyap Chitta
    NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking
15. Alexander Lappe, Anna Bognár, Ghazaleh Ghamkahri Nejad, Albert Mukovskiy, Lucas Martini, Martin Giese, Rufin Vogels
    Parallel Backpropagation for Shared-Feature Visualization
16. Vivian Nastl, Moritz Hardt
    Do causal predictors generalize better to new domains?
17. Ricardo Dominguez-Olmedo, Moritz Hardt, Celestine Mendler-Dünner
    Questioning the Survey Responses of Large Language Models
18. Celestine Mendler-Dünner, Gabriele Carovano, Moritz Hardt
    An engine not a camera: Measuring performative power of online search
19. André F. Cruz, Celestine Mendler-Dünner, Moritz Hardt
    Evaluate calibration of language models with folktexts
20. Hrittik Roy, Marco Miani, Carl Henrik Ek, Philipp Hennig, Marvin Pförtner, Lukas Tatzel, Søren Hauberg
    Reparameterization invariance in approximate Bayesian inference
21. Jonathan Wenger, Kaiwen Wu, Philipp Hennig, Jacob Gardner, Geoff Pleiss, John Cunningham
    Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference
22. Bálint Mucsányi, Michael Kirchhof, Seong Joon Oh
    Benchmarking Uncertainty Disentanglement: Specialized Uncertainties for Specialized Tasks
23. Irene Huang, Wei Lin, Muhammad Mirza, Jacob Hansen, Sivan Doveh, Victor Butoi, Roei Herzig, Assaf Arbelle, Hilde Kuehne, Trevor Darrell, Chuang Gan, Aude Oliva, Rogerio Feris, Leonid Karlinsky
    ConMe: Rethinking Evaluation of Compositional Reasoning for Modern VLMs
24. Felix Petersen, Christian Borgelt, Tobias Sutter, Hilde Kuehne, Oliver Deussen, Stefano Ermon
    Fishers and Hessians of Continuous Relaxations
25. Felix Petersen, Hilde Kuehne, Christian Borgelt, Julian Welzel, Stefano Ermon
    Convolutional Differentiable Logic Gate Networks
26. Jan-Niklas Dihlmann, Arjun Majumdar, Andreas Engelhardt, Raphael Braun, Hendrik PA Lensch
    Subsurface Scattering for Gaussian Splatting
27. Robi Bhattacharjee, Ulrike Luxburg
    Auditing Local Explanations is Hard
28. Julius Vetter, Guy Moss, Cornelius Schröder, Richard Gao, Jakob H Macke
    Sourcerer: Sample-based Maximum Entropy Source Distribution Estimation
29. Matthijs Pals, A Erdem Sağtekin, Felix Pei, Manuel Gloeckler, Jakob H Macke
    Inferring stochastic low-rank recurrent neural networks from neural data
30. Jaivardhan Kapoor, Auguste Schulz, Julius Vetter, Felix Pei, Richard Gao, Jakob H Macke
    Latent Diffusion for Neural Spiking Data
31. Joachim Baumann, Celestine Mendler-Dünner
    Algorithmic Collective Action in Recommender Systems: Promoting Songs by Reordering Playlists
32. István Sárándi, Gerard Pons-Moll
    Neural Localization Fields for Continuous 3D Human Pose and Shape Estimation
33. Yuxuan Xue, Xianghui Xie, Riccardo Marin, Gerard Pons-Moll
    Human 3Diffusion: Realistic Avatar Creation via Explicit 3D Consistent Diffusion Models
34. Luca Eyring, Shyamgopal Karthik, Karsten Roth, Alexey Dosovitskiy, Zeynep Akata
    ReNO: Enhancing One-step Text-to-Image Models through Reward-based Noise Optimization
35. Ahmad-Reza Ehyaei, Golnoosh Farnadi, Samira Samadi
    Wasserstein Distributionally Robust Optimization through the Lens of Structural Causal Models and Individual Fairness
36. Mohammad-Amin Charusaie, Samira Samadi
    A Unifying Post-Processing Framework for Multi-Objective Learn-to-Defer Problems
37. Can Demircan, Tankred Saanum, Leonardo Pettini, Marcel Binz, Blazej Baczkowski, Christian Doeller, Mona Garvert, Eric Schulz
    Evaluating alignment between humans and neural network representations in image-based learning tasks
38. Siyuan Guo, Chi Zhang, Karthika Mohan, Ferenc Huszar, Bernhard Schölkopf
    Do Finetti: On Causal Effects for Exchangeable Data
39. Carl-Johann Simon-Gabriel, Alessandro Barp, Bernhard Schölkopf, Lester Mackey
    Metrizing Weak Convergence with Maximum Mean Discrepancies
40. Giorgio Piatti, Zhijing Jin, Max Kleiman-Weiner, Bernhard Schölkopf, Mrinmaya Sachan, Rada Mihalcea
    Cooperate or Collapse: Emergence of Sustainability in a Society of LLM Agents
41. Robin Chan, Reda Boumasmoud, Anej Svete, Yuxin Ren, Qipeng Guo, Zhijing Jin, Shauli Ravfogel, Mrinmaya Sachan, Bernhard Schölkopf, Mennatallah El-Assady, Ryan Cotterell
    On Affine Homotopy between Language Encoders
42. Sergio Garrido Mejia, Patrick Blöbaum, Bernhard Schölkopf, Dominik Janzing
    Causal vs. Anticausal merging of predictors
43. Goutham Rajendran, Simon Buchholz, Bryon Aragam, Bernhard Schölkopf, Pradeep Ravikumar
    From Causal to Concept-Based Representation Learning
44. Jonathan Thomm, Aleksandar Terzic, Giacomo Camposampiero, Michael Hersche, Bernhard Schölkopf, Abbas Rahimi
    Limits of Transformer Language Models on Learning to Compose Algorithms

Bislang lag der Fokus der Forschung darauf, wie Menschen voneinander lernen können, wenn alle die gleichen Ziele und Vorlieben teilen. Im Alltag ist das jedoch selten der Fall. Ganz gleich, ob es um die Wahl eines Restaurants, die Planung eines Urlaubs oder eine berufliche Neuorientierung geht, haben die Personen, die wir um Rat bitten, oft ihre eigenen Vorlieben und Umstände. Die neue Studie schließt diese Forschungslücke, indem sie untersucht, wie Menschen soziale Informationen nutzen, um Entscheidungen zu treffen, wenn ihre Präferenzen nicht perfekt mit denen ihrer Mitmenschen übereinstimmen.

Seit Jahrzehnten messen Neurowissenschaftlerinnen und -wissenschaftler neuronale Aktivitäten lebender Tiere, weil sie die Zusammenhänge zwischen Gehirnaktivität und Verhalten besser verstehen wollen. Diese Experimente haben bahnbrechende Erkenntnisse über die Funktionsweise des Gehirns erbracht - aber ein Großteil des Gehirns ist nach wie vor unerforscht.

Die Teams aus Tübingen und Virginia haben nun mithilfe von künstlicher Intelligenz und des Konnektoms, einer Karte der Neuronen und ihrer im Hirngewebe bestehenden Verbindungen, die Aktivität der Neuronen im lebenden Gehirn vorhergesagt. Indem sie lediglich Informationen aus dem Konnektom des visuellen Systems der Fruchtfliege verwenden sowie Annahmen über die Funktionen des Schaltkreises machen, haben die Forscher eine KI-Simulation erstellt, die die Aktivität jedes Neurons im Schaltkreis vorhersagen kann. "Wir verfügen nun über eine Berechnungsmethode, mit der wir Messungen des Konnektoms in Vorhersagen über die neuronale Aktivität und die Gehirnfunktion umsetzen können, ohne zuerst aufwändige Messungen am lebenden Neuron durchführen zu müssen", sagt Srinivas Turaga, Leiter der Janelia-Forschungsgruppe und einer der Hauptautoren der neuen Studie.

Das Forschungsteam nutzte das Konnektom, um eine detaillierte mechanistische Netzwerksimulation des visuellen Systems der Fliege zu erstellen, bei der jedes modellierte Neuron einem realen Neuron und jede modellierte Synapse einer realen Synapse im Gehirn entspricht. Obwohl sie die Dynamik der Neuronen im realen Gewebe nicht kannten, konnte das Team diese unbekannten Parameter mit Hilfe von Deep-Learning-Methoden vorhersagen. Dazu verbanden sie die Informationen aus dem Konnektom mit ihrem Wissen über die Funktion des Schaltkreises: Dem Erkennen von Bewegungen. "Mit dieser Kombination konnten wir prüfen, ob unser auf dem Konnektom basierende Ansatz ein gutes Modell des Gehirns liefern kann", sagt Janne Lappalainen, Doktorand an der Universität Tübingen und Erstautor der Studie.

Das neue Modell sagt die Aktivität von 64 verschiedenen Neuronentypen des visuellen Systems der Fruchtfliege voraus und reproduziert die Ergebnisse aus über zwei Dutzend experimentellen Studien der letzten zwei Jahrzehnte. Laut den Autoren hat die neue Arbeit das Potenzial, die Hirnforschung grundlegend zu verändern, indem Vorhersagen über die Aktivität einzelner Neurone nun direkt aus dem Konnektom abgeleitet werden können. Im Prinzip kann man mit dem Modell jedes beliebige Experiment simulieren, so dass daraus abgeleitete Vorhersagen dann im Labor getestet werden können.

Die neue Forschungsarbeit enthält über 450 Seiten mit aus dem Modell abgeleiteten Vorhersagen, einschließlich der Identifizierung von Zellen, von denen bisher nicht bekannt war, ob sie an der Bewegungserkennung beteiligt sind, und die nun in Fruchtfliegen untersucht werden können. "Bislang bestand eine große Lücke zwischen dem statischen Konnektom und der Dynamik der Berechnungen im lebenden Gehirn. Die Frage war, ob wir diese Lücke mit einem Modell schließen können. Am konkreten Beispiel der Fruchtfliege ist uns dies nun gelungen", sagt Jakob Macke, einer der Hauptautoren der Studie. Mit diesem Ansatz ist es möglich, künstliche neuronale Netze zu schaffen, die dem Gehirn der Fruchtfliege ähnlich sind und künftig für eine Vielzahl von Untersuchungen genutzt werden können: Zum Beispiel könnte mit ihnen untersucht werden, warum biologische neuronale Netze um Größenordnungen effizienter sind als künstliche neuronale Netze.

Sie stützt sich bei ihrem Vorhaben auf Techniken, die im Bereich des Reinforcement Learning (deutsch: „Verstärkungslernen") entwickelt wurden. Im Reinforcement Learning durchsucht ein sogenannter Agent – die Softwareeinheit, die trainiert wird – eine Umgebung, um vordefinierte Ziele zu erreichen. Außerdem ist er in der Lage, durch Versuch und Irrtum zu lernen. „Ich möchte Agenten der künstlichen Intelligenz entwickeln, die intelligente Entscheidungen darüber treffen können, wann und wie sie neue Daten sammeln, um neue Situationen zu durchdringen und sich an sie anzupassen – eine Fähigkeit, die wir im Reinforcement Learning als Exploration bezeichnen.“ 

Vernade möchte die theoretischen Grundlagen dafür schaffen, diese Fähigkeit mit bestehenden Modellen des maschinellen Lernens zu kombinieren. So werden die Algorithmen in der Lage sein, nach und nach neue und andere Daten zu verarbeiten und nach neuen Lösungen zu suchen. Langfristig sollen Systeme des maschinellen Lernens entstehen, die Wissenschaft und Gesellschaft bei der Lösung komplexer Probleme unterstützen. 

ERC Starting Grants werden vom Europäischen Forschungsrat vergeben. Die begehrten Fellowships fördern exzellente Nachwuchsforschende, die das Potenzial haben, führend auf ihrem Gebiet zu werden.  

Während Kompositionalität die menschliche Begabung beschreibt, neue Probleme durch Rekombination bekannter Elemente zu lösen, bezieht sich das Konzept der kumulativen Kultur auf die Fähigkeit, auf dem Wissen früherer Generationen aufzubauen. Jedes der beiden Charakteristika für sich ist als Alleinstellungsmerkmal menschlicher Intelligenz, das sie vom Denken anderer Tiere und von KI abhebt, in der Diskussion. Das geförderte Projekt zielt darauf ab, die beiden Kernkonzepte in einem gemeinsamen mathematischen Formalismus zu vereinen. „Mein Ziel ist es, bahnbrechende Erkenntnisse darüber zu gewinnen, wie wir Wissen kodieren, weitergeben und über Generationen hinweg kreativ weiterentwickeln“, sagt Wu. „Dies könnte unser Verständnis der menschlichen Intelligenz revolutionieren.“

Wus Forschungsgruppe wird am Max-Planck-Institut für biologische Kybernetik in Tübingen angesiedelt sein. „Das MPI ist herausragend darin, moderne computergestützte Methoden mit experimenteller Forschung über menschliches Lernen und Entscheiden zu verbinden“, begründet Wu die Wahl seiner Gastinstitution. 

Derzeit leitet Wu das Human and Machine Cognition Lab (Universität Tübingen), das Teil des Exzellenzclusters „Maschinelles Lernen für die Wissenschaft“ und des Tübingen AI Center ist, beides enge Kooperationspartner des MPI für biologische Kybernetik.

ERC Starting Grants werden vom Europäischen Forschungsrat vergeben. Die begehrten Fellowships fördern exzellente Nachwuchsforschende, die das Potenzial haben, führend auf ihrem Gebiet zu werden. 

Der Projekttitel „Phylomilia“ leitet sich vom Fachbegriff „Phylogenie“ für einen evolutionären Stammbaum und dem griechischen Wort für Rede, „Omilia“, ab. Normalerweise ist die vergleichende Linguistik auf schriftliche Daten angewiesen, die von Hand transkribiert und kommentiert werden. Gerhard Jäger will diesen Schritt mit seinem Projekt umgehen und Deep-Learning-Techniken einsetzen, um akustische Sprachdaten direkt zu analysieren. Dazu wird er mit seinem Team KI-gestützte Technologien entwickeln, die gesprochene Sprache erkennen und in ein Format umwandeln können, das sich maschinell auswerten lässt. Eine statistische Analyse soll es dann ermöglichen, die die Abstammung von Sprachen zurückzuverfolgen und frühere Sprachstufen zu rekonstruieren. Die Konzentration auf gesprochene Sprache bietet den Vorteil, dass sie auch Nuancen und Details erfasst, die in der schriftlichen Aufzeichnung verloren gehen. Langfristiges Ziel des Phylomilia-Projektes ist die Entwicklung eines automatisierten Systems, das in der Lage ist, Merkmale gesprochener Sprache zu identifizieren und zu interpretieren, die über lange Zeiträume hinweg konsistent bleiben. Damit kann das Projekt neues Licht auf die Entwicklung und Interaktion von Sprachen werfen.

Weitere Informationen

• Webseite von Gerhard Jäger
• Förderprogramm der Volkswagenstiftung

Die Ausstellung war von Februar 2023 bis Januar 2024 im Stadtmuseum Tübingen zu sehen und ist interdisziplinär und gemeinsam mit dem Stadtmuseum Tübingen, insbesondere dessen Ausstellungskurator Guido Szymanska, konzipiert und umgesetzt worden. Teil des Ausstellungsteams waren außerdem mehr als 30 Studierende der Empirischen Kulturwissenschaft und des Masterstudiengangs Machine Learning der Universität Tübingen.

Ulrike von Luxburg: "Die Ausstellung konnte nur deshalb so überzeugen, weil wir von Anfang an verschiedene Perspektiven auf das Thema eingebracht und mitgedacht haben. Die Studierenden mit ihren diversen Hintergründen, Meinungen und Herangehensweisen und die langjährige Erfahrung von dem Kurator des Stadtmuseums, Guido Szymanska, wie man abstrakte Ideen in konkrete Exponate umsetzen kann, haben die Ausstellung so erfolgreich gemacht."

Die Jury aus Wissenschaftsjournalistinnen und -journalisten, Kommunikations- und PR-Fachleuten unter dem Vorsitz von DFG-Vizepräsident Professor Dr. Johannes Grave würdigte bei ihrer Entscheidung, dass das Team "Cyber and the City" das so abstrakte wie kontroverse Thema Künstliche Intelligenz in die Lebens- und Erfahrungswelt der Menschen holt. Zudem eröffne es einen Dialograum, in dem sehr unterschiedliche Positionen und Interessen verhandelt werden können.

Dazu habe das Team in einer erfolgreichen interdisziplinären Zusammenarbeit von Informatik und Empirischer Kulturwissenschaft eine Ausstellung im Tübinger Stadtmuseum und ein Begleitprogramm entworfen. Studierende der beiden Disziplinen erarbeiteten die Grundlagen für die Ausstellung und die weiteren Kommunikationsformate und bezogen dabei Interessengruppen, Bürgerinnen und Bürger, Aktivistinnen und Aktivisten oder auch Entscheidungsträgerinnen und Entscheidungsträger in die Konzeption und Umsetzung ein. Auf diese Weise, so die Jury des Communicator-Preises, sei eine Kommunikationsplattform entstanden, die eine gemeinsame Sprache zu Herausforderungen und Chancen von Künstlicher Intelligenz findet und sowohl Befürworterinnen und Befürworter als auch Skeptikerinnen und Skeptiker von KI zu Wort kommen lässt.

Flankiert wurde die Ausstellung von einem umfangreichen Begleitprogramm, in das sich die an der Ausstellung beteiligten Akteurinnen und Akteure mit eigenen Veranstaltungen einbringen konnten. Zu den Veranstaltungen zählten etwa die "Retro Gaming Night meets KI" sowie die in Kooperation mit dem SWR veranstaltete Podiumsdiskussion "Wer kontrolliert KI?". Die Ausstellung zog insgesamt mehr als 40.000 Besucherinnen und Besucher unterschiedlicher Altersgruppen an. Durch Ausstellung und Begleitprogramm entstand so insgesamt ein Dialograhmen, der die am Standort sehr kontrovers geführte Diskussion rund um Künstliche Intelligenz versachlicht hat, ohne dabei Emotionen und Positionierungen zu ignorieren.

Die Jury für den Communicator-Preis hob hervor, dass die lokale Verortung der Kommunikation bei diesem Projekt eine besondere Bedeutung habe: Künstliche Intelligenz – als global wirksames und zugleich schwer greifbares Thema – wurde hier am konkreten Fall, als Konsequenz von kontroversen Debatten in der Stadt und gemeinsam mit lokalen Akteurinnen und Akteuren verhandelt. Und dies geschah nicht in digitalen Foren, sondern im direkten Austausch der Beteiligten. Damit sei es dem Team hervorragend gelungen, ein schwieriges Thema leicht, humorvoll und dabei sachlich und intelligent umzusetzen. Insgesamt, so die Jury, sehe sie in der Arbeit des Teams den gelungenen Weg einer dialogischen Wissenschaftskommunikation, die weit über den Standort und das konkrete Thema hinausweise. Insbesondere vor dem Hintergrund der aktuellen Dialogkultur, in der verschiedene Argumente und Positionen kaum noch in einen konstruktiven Austausch zu bringen sind, sei dies ein besonders ermutigendes Projekt.

Der "Communicator-Preis – Wissenschaftspreis des Stifterverbandes" wird seit dem Jahr 2000 verliehen und gilt als der wichtigste Preis seiner Art in Deutschland. Ausgezeichnet werden Wissenschaftlerinnen und Wissenschaftler, die in ihrer Wissenschaftskommunikation besonders kreativ sind, neue, auch mutige Wege gehen und ihre Zielgruppen auf geeignete und wirksame Weise ansprechen. Sie sollen zudem die gesellschaftliche Dimension ihrer Forschung erkennen und ihr Wissen in öffentliche Debatten, Meinungsbildungsprozesse und Entscheidungen einbringen. Das Preisgeld soll die Ausgezeichneten in ihrem Engagement unterstützen und auch die Umsetzung neuer Projekte ermöglichen.

Die Jury wählte das nun ausgezeichnete Team in einem mehrstufigen Auswahlprozess aus 38 Bewerbungen und Vorschlägen aus. Verliehen wurde der Communicator-Preis im Rahmen der Jahresversammlung der DFG am 1. Juli 2024 in Potsdam.

Die Jury würdigte die Macherinnen und Macher der Ausstellung "Cyber an the City" für ihre innovative Herangehensweise an das Thema Künstliche Intelligenz. "Das Team um Ulrike von Luxburg, Tim Schaffarczik und Thomas Thiemeyer hat die seit Jahren anhaltende Diskussion um die Chancen und Risiken von Künstlicher Intelligenz im Allgemeinen und um den KI-Forschungsstandort Tübingen im Besonderen produktiv aufgegriffen, inhaltlich aufgearbeitet sowie die unterschiedlichen Aspekte von KI hervorragend dargestellt", erklärte die Jury. Die Ausstellung, an deren Entstehen auch Master-Studierende aus der Empirischen Kulturwissenschaft und dem Maschinellen Lernen sowie Mitarbeitende des Tübinger Stadtmuseums beteiligt waren, sei ein gutes Beispiel für eine zeitgemäße Wissenschaftskommunikation, bei der die Beteiligten auf eine teils kritisch eingestellte Öffentlichkeit zugehen und ihre Kommunikation an den Grundsätzen der Partizipation und des Dialogs auf Augenhöhe ausrichten würden.  

Den Historiker Gestwa würdigte die Jury für seinen unermüdlichen Einsatz bei der politischen und historischen Einordung des Ukrainekonflikts. Er habe sein umfangreiches Wissen über Geschichte, Gesellschaft und Politik Osteuropas in den vergangenen Jahren genutzt, um die deutsche Öffentlichkeit über die Ursachen des russischen Angriffskriegs gegen das Nachbarland aufzuklären und dabei weit verbreiteten Annahmen und Irrtümern entgegenzutreten. Dabei habe er Mut bewiesen und sei auch öffentlichem Streit und Anfeindungen nicht aus dem Weg gegangen. Mit seinen Interviews, Videos, Zeitschriftenbeiträgen und Vorträgen habe Gestwa ein Millionenpublikum erreicht und so zur Meinungsbildung in Deutschland über den Krieg gegen die Ukraine maßgeblich beigetragen.   

Den Nachwuchspreis 2024 erhält die Historikerin Claudia Lemmes für die Kommunikation über das DFG-Projekt "Auswirkungen mittelalterlicher bis frühneuzeitlicher Stadtentwicklung auf Gewässer am Beispiel von Bad Waldsee". Die Jury würdigte das mehrjährige und intensive Engagement der Forscherin bei der Vermittlung von Methoden und Ergebnissen des interdisziplinären Forschungsprojekts an die Stadtgesellschaft von Bad Waldsee. An dem Projekt waren Wissenschaftlerinnen und Wissenschaftler aus Geschichtswissenschaft, Geologie, Ökotoxikologie, Paläobotanik, Archäologie und weiteren Disziplinen beteiligt. Die Preisträgerin habe mit Vorträgen und Zeitungsinterviews sowie mit einem kontinuierlichen Dialog mit ortsansässigen Einrichtungen in Bad Waldsee (Landkreis Ravensburg) wie dem Museums- und Heimatverein, der Stadtverwaltung und dem Stadtarchiv dafür gesorgt, dass die Forschungsarbeiten auf breites Interesse in der Stadtgesellschaft stießen, so die Jury.     

Der Tübinger Preis für Wissenschaftskommunikation ist Teil der Tübinger Exzellenzstrategie. Ziel ist es, Wissenschaftlerinnen und Wissenschaftler vermehrt zur Kommunikation über ihre Forschung zu motivieren. Der Hauptpreis ist mit 10.000 Euro, der Nachwuchspreis mit 5.000 Euro dotiert. Die Auszeichnung für das Jahr 2024 wird voraussichtlich im Mai in einer öffentlichen Feierstunde verliehen. Der genaue Termin wird zu einem späteren Zeitpunkt bekanntgegeben.   

Nach einer Pressemitteilung der Universität Tübingen.

Seit 2002 finanziert die Heidelberger Akademie der Wissenschaften im Rahmen des WIN-Kollegs interdisziplinär ausgerichtete Projekte von jungen Wissenschaftlerinnen und Wissenschaftlern. Sie eröffnet dadurch einen besonderen Freiraum für Forschungen und ermöglicht den Austausch mit Akademiemitgliedern. Die nun bereits 9. Staffel untersucht, ob, wie und warum die Reduzierung von komplexen Sachverhalten für wissenschaftliche Erkenntnisse notwendig ist und welche Folgen diese Komplexitätsreduzierung für das Verhältnis von Wissenschaft und Gesellschaft hat.

Das geförderte Projekt von Raidl und Klopotek greift diese Fragen hinsichtlich des Maschinellen Lernens auf und geht "auf die Suche nach erklärbarem und interpretierbarem Maschinellen Lernen mit Philosophie und Physik". Das Projekt, das im April 2024 starten wird und eine Laufzeit von drei Jahren hat, bietet zwei Forschenden die Möglichkeit, sich mit der Thematik zu beschäftigen. Es soll im Rahmen des Ethics and Philosophy Lab des Tübinger Exzellenzclusters "Maschinelles Lernen: Neue Perspektiven für die Wissenschaft" bearbeitet werden sowie in Kooperation mit dem Interchange Forum for Reflecting on Intelligent Systems (IRIS) der Universität Stuttgart und der Platform of Reflection des Exzellenzclusters SimTech.

Algorithmen des Maschinellen Lernens durchdringen zunehmend den Alltag der Menschen und das öffentliche Leben. Sie treffen Vorhersagen, aber warum sie so und nicht anders entscheiden, bleibt oft schwer nachvollziehbar, sie sind gewissermaßen opak. Mit ihrem Projekt verfolgen Raidl und Klopotek das Ziel, zu verstehen, wie diese Opazität entsteht und wie man sie rückwirkend aufheben könnte. Dafür wollen sie anhand von Einsichten der Physik und anderer Theorien der Komplexität die Natur der (impliziten) Abstraktionen interpretieren, die Maschinelles Lernen an sich erzeugt. Ihre Arbeitshypothese ist, dass die Komplexität des Maschinellen Lernens und die Schwierigkeit, gewisse Komponenten des Lernprozesses zu verstehen, gemeinsam das Problem der Opazität hervorbringen. In diesem Sinne fordert eine Lösung nicht einfach "mehr Verständnis" oder "weniger Komplexität", sondern eine sinngebende Komplexitätsreduktion. Damit meinen Raidl und Klopotek adäquate Abstraktionen und nicht triviale Vereinfachungen, die einen wohlfundierten Verständniszugang gewährleisten. In ihrem Projekt werden sie Werkzeuge entwickeln, um die Komplexität der Algorithmen des Maschinellen Lernens auf neue Weise zu analysieren und sinngebende Reduktionen aus der Perspektive der Vielteilchenphysik und der Philosophie aufzufinden.

Zielsetzung von ANUBIS 

Das Projekt ANUBIS verfolgt das Ziel, die Rechenressourcen von wissenschaftlichen KI-Anwendungen ganzheitlich und durchgängig zu managen. In Klimamodellen, geologischen oder neurowissenschaftlichen Simulationen treten viele Inferenzprobleme auf, bei denen man von einer Information bzw. einem Datensatz indirekt auf die Information schließt, die eigentlich gesucht wird. "Um solche Inferenzprobleme zu lösen, brauchen wir große Datenmengen und große Rechenressourcen", erklärt Hennig. "Ein einziger Teildatensatz zum Beispiel aus der Klimaforschung kann da schon einmal 100 Terabyte (also 100.000 Gigabyte) groß sein."

Herausforderungen bei der Datenverarbeitung 

In dem Projekt wird das, was ein Computer tut — Rechnen – als Quelle von Information betrachtet. Diese Information betrifft Fragen, die nicht endgültig und perfekt beantwortet werden können (wie etwa "Wie wird das Wetter in 10 Jahren?"). Solche Fragen bestehen meist aus unendlich vielen Teilfragen, die durch die Rechnung nicht vollständig beantwortet werden. Darum soll der Computer, während er diese Teilfragen beantwortet, gleichzeitig mitloggen ("Buch führen"), welche Teile der Frage schon beantwortet sind, und wie gut. Das ist auch deshalb gar nicht so einfach, weil das Buchführen selbst auch wieder eine Rechnung ist. Damit das Ganze machbar bleibt, muss also das Buchführen etwas einfacher sein als die Rechnung selbst. 

Innovative Lösungsansätze 

Dazu wird es nötig sein, moderne Methoden des maschinellen Lernens zu erweitern, damit ihre Funktionalität mit dem neuen Konzept gut harmoniert. Vorteile der erweiterten Methodik sind nicht nur sparsamere Algorithmen, sondern auch neue Funktionalität. "Für Forscherinnen und Forscher aus den Geo-, Klima- oder Neurowissenschaften wird es dann leichter sein, ganz unterschiedliche Arten von Daten wie etwa konkrete Messdaten, Simulationsdaten und Expertenwissen flexibel in ihren Code einfließen zu lassen", sagt Hennig. "Dabei muss die Unsicherheit der Informationen aus den verschiedenen Datenquellen quantifiziert werden. Beides war mit den bisherigen Methoden nicht möglich."

Artikel von Claudia Brusdeylins, Tübingen AI Center 

In diesem Jahr ist unser Cluster mit 35 Papern auf der NeurIPS vertreten.

Liste der akzeptierten Beiträge unserer Mitglieder (alle Beiträge sind hier zu finden):

1. Leonard Salewski, Isabel Rio-Torto, Stephan Alaniz, Eric Schulz, Zeynep Akata
   In-Context Impersonation Reveals Large Language Models' Strengths and Biases
2. Julian Coda-Forno, Marcel Binz, Zeynep Akata, Matt Botvinick, Jane Wang, Eric Schulz
   Meta-in-context learning in large language models
3. Abhra Chaudhuri, Massimiliano Mancini, Zeynep Akata, Anjan Dutta
   Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships
4. Ilze Amanda Auzina, Çağatay Yıldız, Sara Magliacane, Matthias Bethge, Efstratios Gavves
   Modulated Neural ODEs
5. Thaddäus Wiedemer, Prasanna Mayilvahanan, Matthias Bethge, Wieland Brendel
   Compositional Generalization from First Principles
6. Ori Press, Steffen Schneider, Matthias Kümmerer, Matthias Bethge
   RDumb: A simple approach that questions our progress in continual test-time adaptation
7. Roland S. Zimmermann, Thomas Klein, Wieland Brendel
   Scale Alone Does not Improve Mechanistic Interpretability in Vision Models
8. Tankred Saanum, Noemi Elteto, Peter Dayan, Marcel Binz, Eric Schulz
   Reinforcement Learning with Simple Sequence Priors
9. Maximilian Mueller, Tiffany Vlaar, David Rolnick, Matthias Hein
   Normalization Layers Are All That Sharpness-Aware Minimization Needs
10. Naman Deep Singh, Francesco Croce, Matthias Hein
    Revisiting Adversarial Training for ImageNet: Architectures, Training and Generalization across Threat Models
11. Jonathan Schmidt, Philipp Hennig, Jörg Nick, Filip Tronarp
    The Rank-Reduced Kalman Filter: Approximate Dynamical-Low-Rank Filtering In High Dimensions
12. Nathanael Bosch, Philipp Hennig, Filip Tronarp
    Probabilistic Exponential Integrators
13. Runa Eschenhagen, Alexander Immer, Richard Turner, Frank Schneider, Philipp Hennig
    Kronecker-Factored Approximate Curvature for Modern Neural Network Architectures
14. Agustinus Kristiadi, Felix Dangel, Philipp Hennig
    The Geometry of Neural Nets' Parameter Spaces Under Reparametrization
15. Michael Kirchhof, Bálint Mucsányi, Seong Joon Oh, Dr. Enkelejda Kasneci
    URL: A Representation Learning Benchmark for Transferable Uncertainty Estimates
16. Moritz Haas, David Holzmüller, Ulrike Luxburg, Ingo Steinwart
    Mind the spikes: Benign overfitting of kernels and neural networks in fixed dimension
17. Basile Confavreux, Poornima Ramesh, Pedro Goncalves, Jakob H Macke, Tim Vogels
    Meta-learning families of plasticity rules in recurrent spiking networks using simulation-based inference
18. Jonas Wildberger, Maximilian Dax, Simon Buchholz, Stephen Green, Jakob H Macke, Bernhard Schölkopf
    Flow Matching for Scalable Simulation-Based Inference
19. Richard Gao, Michael Deistler, Jakob H Macke
    Generalized Bayesian Inference for Scientific Simulators via Amortized Cost Estimation
20. Marco Bagatella, Georg Martius
    Goal-conditioned Offline Planning from Curious Exploration
21. Cansu Sancaktar, Justus Piater, Georg Martius
    Regularity as Intrinsic Reward for Free Play
22. Pavel Kolev, Georg Martius, Michael Muehlebach
    Online Learning under Adversarial Nonlinear Constraints
23. Andrii Zadaianchuk, Maximilian Seitzer, Georg Martius
    Object-Centric Learning for Real-World Videos by Predicting Temporal Feature Similarities
24. Simon Buchholz, Goutham Rajendran, Elan Rosenfeld, Bryon Aragam, Bernhard Schölkopf, Pradeep Ravikumar
    Learning Linear Causal Representations from Interventions under General Nonlinear Mixing
25. Zeju Qiu, Weiyang Liu, Haiwen Feng, Yuxuan Xue, Yao Feng, Zhen Liu, Dan Zhang, Adrian Weller, Bernhard Schölkopf
    Controlling Text-to-Image Diffusion by Orthogonal Finetuning
26. Laurence Midgley, Vincent Stimper, Javier Antorán, Emile Mathieu, Bernhard Schölkopf, José Miguel Hernández-Lobato
    SE(3) Equivariant Augmented Coupling Flows
27. Siyuan Guo, Viktor Toth, Bernhard Schölkopf, Ferenc Huszar
    Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data
28. Liang Wendong, Armin Kekić, Julius von Kügelgen, Simon Buchholz, Michel Besserve, Luigi Gresele, Bernhard Schölkopf
    Causal Component Analysis
29. Zhijing Jin, Yuen Chen, Felix Leeb, Luigi Gresele, Ojasv Kamal, Zhiheng LYU, Kevin Blin, Fernando Gonzalez Adauto, Max Kleiman-Weiner, Mrinmaya Sachan, Bernhard Schölkopf
    CLadder: Assessing Causal Reasoning in Language Models
30. Julius von Kügelgen, Michel Besserve, Liang Wendong, Luigi Gresele, Armin Kekić, Elias Bareinboim, David Blei, Bernhard Schölkopf
    Nonparametric Identifiability of Causal Representations from Unknown Interventions
31. Marco Fumero, Florian Wenzel, Luca Zancato, Alessandro Achille, Emanuele Rodolà, Stefano Soatto, Bernhard Schölkopf, Francesco Locatello
    Leveraging sparse and shared feature activations for disentangled representation learning
32. Junhyung Park, Simon Buchholz, Bernhard Schölkopf, Krikamol Muandet
    A Measure-Theoretic Axiomatisation of Causality
33. Cian Eastwood, Shashank Singh, Andrei L Nicolicioiu, Marin Vlastelica Pogančić, Julius von Kügelgen, Bernhard Schölkopf
    Spuriosity Didn’t Kill the Classifier: Using Invariant Predictions to Harness Spurious Features
34. Adrián Javaloy, Pablo Sanchez-Martin, Isabel Valera
    Causal normalizing flows: from theory to practice
35. Alexandre Marthe, Aurélien Garivier, Claire Vernade
    Beyond Average Reward in Markov Decision Processes

Alle Veranstaltungen der Science & Innovation Days sind kostenfrei. Für garantierten Einlass raten wir bei ausgewählten Angeboten zu einer Anmeldung vorab. Das komplette Programm ist hier zu finden.

Die Mitglieder unseres Clusters beteiligen sich mit folgenden Beiträgen:
 

Mittwoch, 08. November 2023

Donnerstag, 09. November 2023

Freitag, 10. November 2023

Samstag, 11. November 2023

Sonntag, 12. November 2023

In unserem neuesten Blog-Beitrag geben 3 der Studierenden nun Einblicke in die interdisziplinäre Zusammenarbeit während der Ausstellungsvorbereitung, die Herausforderungen und die Freude an der Umsetzung.

Lesen Sie hier den gesamten Blog-Beitrag.

Weitere Informationen auf der Webseite des MPI für biologische Kybernetik.

Wie? Das zeigen Nina Effenberger und Nicole Ludwig, die im Exzellenzcluster zu nachhaltigen Energien forschen, am 27. Oktober um 17 Uhr im Tübinger swt-KulturWerk: Mithilfe des interaktiven Kunstexponats „IN-ML-OUT“ wollen sie den Dialog zwischen Forschung, Gesellschaft und Politik vorantreiben und dabei das Potential von maschinellem Lernen aufzeigen. Das Exponat macht erfahr­bar, dass unser Handeln das Klima beeinflusst, welche Lösungs­ansätze Forschende mit Hilfe von maschinellem Lernen unterstützen können und welche Initiativen und Projekte zu erneuerbaren Energien es bereits gibt. Dazu bringt es Wissenschaft und Design zusammen – und überträgt die modellhaften Teilaspekte von „Input“, „Machine Learning“ und „Output“ in drei verbundene Ausstellungsstücke, die zum Entdecken, Nachdenken und Diskutieren einladen.

Im Anschluss an die Präsentation des Exponats gibt es eine Diskussion zur Frage "Wie kann KI die Energiewende unterstützen?". Nicole Ludwig wird daran ebenso teilnehmen wie Peter Seimer (Sprecher für Digitalisierung, Grüne im Landtag von Baden-Württemberg) und Philipp Staudt (Digitalisierte Energiesysteme, Universität Oldenburg). Moderiert wird die Diskussion von Olaf Kramer (Forschungszentrum für Wissenschaftskommunikation, Universität Tübingen).

Das Kunstexponat ist aus einer Kooperation zwischen dem Exzellenzcluster „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“ der Universität Tübingen, dem „Zentrum für rhetorische Wissenschaftskommunikationsforschung zur Künstlichen Intelligenz“ (RHET AI) sowie der „Staatlichen Akademie der Bildenden Künste“ in Stuttgart entstanden.

Am 27. Oktober sind Sie herzlich eingeladen, an unserer Veranstaltung „Windenergie und Maschinelles Lernen“ teilzunehmen, das Exponat selbst auszuprobieren und mit uns die Potenziale von Maschinellem Lernen beim Ausbau der Stromgewinnung aus regenerativen Energiequellen zu diskutieren! Der Eintritt ist kostenfrei.

  27.10.2023, 17 Uhr, swt-KulturWerk (Werkstraße 4, 72074 Tübingen), Eintritt kostenfrei
 

|  Im Anschluss wird das Exponat ab dem 16. November im Stadtmuseum Tübingen zu sehen sein  |

In dem Wissenschaftszentrum wird an hochmodernen KI-Technologien geforscht. Deutschland soll laut dem baden-württembergischen Ministerpräsidenten Winfried Kretschmann (Grüne) in Sachen Künstlicher Intelligenz wettbewerbsfähig bleiben und neue Maßstäbe setzen.
 

Einen ausführlichen Bericht gibt es auf der Webseite des Tübingen AI Center.

Einer der Gewinner ist Karsten Roth, Doktorand in der Explainable Machine Learning Group unseres Clusters unter der Leitung von Zeynep Akata. Er erhielt die Auszeichnung für das Projekt mit dem Titel "Effective Lifelong Adaptation of Vision-Language Foundation Models across Domains for Practical Deployment".

Über das Projekt: Vision-Language-Foundation Models, sogenannte Grundlagenmodelle, liegen an der Schnittstelle zwischen Bild und Sprache, und sind entscheidend für Fortschritte in multimodalen Anwendungen. Deren Nützlichkeit aber nimmt ab, wenn ihr Trainingskontext über die die Zeit veraltet und obsolet ist. Es ist daher wichtig, Mechanismen zu entwickeln und zu verstehen, die es ermöglichen, diese Modelle kontinuierlich zu aktualisieren, ohne sie mit hohem Aufwand von Grund auf neu zu trainieren. Karsten möchte in seinem Projekt nun aktuelle Techniken aus dem Bereich des Continual Learnings bewerten und Erkenntnisse über den Einfluss verschiedener Designentscheidungen gewinnen, die in solchen Techniken berücksichtigt werden. Diese Erkenntnisse sollen dann genutzt werden, um Erweiterungen zur Verbesserung von entsprechenden kontinuierlichen Lernstrategien einzuführen. Das Projekt soll wertvolle Einblicke in die Übertragbarkeit von Forschung im Bereich des Continual Learnings von kleinen Daten- und Modellregimen auf die kontinuierliche Anpassung dieser Grundlagenmodellen bieten.
 

Mehr Informationen auf der Qualcomm Technologies Webseite.

„Es ist uns eine große Freude, Zeynep Akata Schulz mit dem dies­jährigen­ Alfried Krupp-Förderpreis auszu­zeichnen“, so Prof. Ursula Gather, die Kuratoriumsvorsitzende der Krupp-Stiftung. „Erklärbares Maschinelles Lernen hat das Potenzial, unsere Lebensqualität zu ver­bessern und innovative Lösungen für komplexe Probleme zu finden. Es wird unser Leben verändern. Der Ansatz von Zeynep Akata Schulz, Maschinelles Lernen ohne den Einsatz von klassifizierten Trainings­daten, jedoch unter Verwendung mehrerer Datenmodalitäten zu erforschen sowie Vertrauen in die Technologie zu stärken, spielt eine entscheiden­de Rolle für die Anwendungs­möglichkeiten und die gesellschaftliche Akzeptanz. Auf diesem Gebiet gehört sie zur internatio­nalen Weltspitze. Der Förderpreis unterstützt sie auf diesem Weg.“

Der Forschungsschwerpunkt von Zeynep Akata Schulz liegt im Erklärbaren Maschinellen Lernen. Erklärbares Maschinelles Lernen bietet Erklärungen, damit Menschen nachvollziehen können, wie und warum eine Künstliche Intelligenz (KI) eine bestimmte Entscheidung getroffen hat. Dies stärkt das Vertrauen in KI, ermöglicht es Benutzer*innen, Fehler zu erkennen und trägt zu verantwortungsvollen Entscheidungen bei. Dieser Ansatz könnte Anwendung finden im Finanz-, Gesundheits- und Rechtswesen und anderen Bereichen, in denen es wichtig ist, dass Menschen die Entscheidungen von KI-Systemen verstehen.

Eine Methode des Maschinellen Lernens ist Deep Learning. Moderne Computeralgorithmen nutzen Deep Learning Modelle, um komplexe Aufgaben zu bewältigen und hochdimen­sionale Probleme zu lösen. Allerdings sind diese Modelle intransparent und können ihre Ent­scheidungen nicht erklärbar darstellen. Akata arbeitet daran, trans­parente Algorithmen zu entwickeln, die nachvoll­ziehbare Ent­scheidungen treffen können. Dafür nutzt sie Modelle des "weakly supervised learnings" – ein Ansatz im Maschinellen Lernen, bei dem unvollständige oder unspezifische Informationen zum Einsatz kommen. Dies ermöglicht das Training mit unstrukturierten oder unqualifizierten Daten. Die Methode ist sinnvoll, um große Datensätze effizient zu nutzen und Modelle mit begrenzten Ressourcen zu trainieren.

Akatas Vision ist es, eine selbsterklärende Künstliche Intelligenz zu schaffen, die mit minimalem Feedback lernen und zuverlässig sowie transparent mit Menschen interagieren kann. Dies kann besonders relevant für mobile Robotik und intelligente Fahrzeuge sein.

Fachkolleg*innen beschreiben Akata als Aus­nahme­­wissenschaftlerin: Neben ihren wissenschaftlichen Leistungen und der Publikations­tätig­keit – sie wurde bereits 15.000-mal in Fachkreisen zitiert – engagiert sie sich in der Lehre und betreut Studierende sowie Promovierende.
 

Prof. Dr. Zeynep Akata Schulz

Prof. Dr. Zeynep Akata Schuz (37), geboren in der Türkei, wurde 2019 auf die Professur für Erklärbares Maschinelles Lernen an der Mathematisch-Naturwissenschaftlichen Fakultät der Universität Tübingen berufen, die im Rahmen des Exzellenzclusters „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“ eingerichtet wurde. Sie studierte technische Informatik an der Trakya Universität in der Türkei, Medieninformatik an der RWTH Aachen und wurde an der Universität Grenoble promoviert. Nach ihrer Promotion forschte sie von 2014 bis 2017 als Postdoktorandin am Max-Planck-Institut für Infor­matik in Saarbrücken zu Maschinellem Sehen und Lernen. Zudem war sie zu der Zeit als Gast­wissen­schaftlerin an der University of California in Berkeley tätig. Zwischen 2017 und 2019 arbeitete Akata als Junior­professorin sowie als wissenschaftliche Leiterin des UvA-Bosch Delta Lab an der Universität Amsterdam, dort beschäftigte sie sich mit den Grundlagen des Deep Learning. Sie war ebenfalls Forschungs­­leiterin am Max-Planck-Institut für Informatik in Saarbrücken.

Die Arbeit von Zeynep Akata Schulz ist bereits mit hochrangigen Förderungen und Auszeichnun­gen gewürdigt worden, darunter mit dem EVCA Young Researcher Award (2022), dem Deutschen Mustererkennungspreis der Deutschen Gesellschaft für Mustererkennung (2021), dem „ERC Starting Grant“ des Europäischen Forschungsrates (2019) und dem Lise Meitner Award for Excellent Women in Computer Science des Max-Planck-Instituts für Informatik (2014). Sie ist regelmäßig als Keynote Sprecherin eingeladen, etwa bei der UAI Conference, der Helmholtz AI Conference, am University College London, bei Facebook AI Research oder Google. Zeynep Akata Schulz ist u. a. Mitglied des Tübingen AI Center an der Universität Tübingen und am Max-Planck-Institut für Intelligente Systeme.

Alfried Krupp-Förderpreis

Der Alfried Krupp-Förderpreis wird seit 1986 jährlich für Nachwuchs­wissenschaftler*innen ausgeschrieben, die in den Bereichen Natur- und Ingenieurwissenschaften eine Erstprofessur an einer deutschen Hoch­schule innehaben. Er wurde bisher an 42 Forscher*innen vergeben. Die mit 1 Mio. € dotierte Aus­zeich­nung verschafft den Preisträger­*innen Freiheit in Forschung und Lehre: Während eines Zeit­raums von fünf Jahren können sie sich flexibel und unabhän­gig ein optimales Arbeitsumfeld schaffen und ihre wissen­schaftliche Arbeit vorantreiben.

Alfried Krupp von Bohlen und Halbach-Stiftung

Die gemeinnützige Alfried Krupp von Bohlen und Halbach-Stiftung fördert seit 1968 Menschen und Projekte in Kunst und Kultur, Bildung, Wissenschaft, Gesundheit und Sport und hat sich dafür bisher mit 690 Mio. € engagiert. Als größte Aktionärin der heutigen thyssenkrupp AG verwendet die Stiftung die ihr zufließenden Erträge ausschließlich für gemeinnützige Zwecke. Mit ihrer Arbeit setzt sie Akzente in der Wissenschafts- und Hochschulentwicklung, sie möchte Chancen­gleich­heit ermöglichen und die Ausbil­dung junger Generationen verbessern.

Weitere Informationen: www.krupp-stiftung.de/wissenschaft/

Nach einer Pressemitteilung der Alfried Krupp von Bohlen und Halbach-Stiftung

„Vieles an dem AI Act ist schon sehr gut gelungen. Es ist wichtig, die Frage in den Prozess mit einzubeziehen: Was sind die technischen Beschränkungen von dem, was man sich eigentlich durch den AI Act erhofft? Welche Formen von zum Beispiel Transparenz sind prinzipiell herstellbar und wie geht man damit um, wenn sie nicht herstellbar sind? Meine großen Wünsche richten sich eigentlich an das Spektrum jenseits des AI Acts, also eher an die Politik. Wie wollen wir mit dem AI Act umgehen, wenn er denn da ist? Wie sollen Kontrollen stattfinden? Brauchen wir vielleicht eine Behörde, ein Bundesamt für digitales Wesen oder für KI, das die Kompetenz hat, diese ganzen Techniken überhaupt zu beurteilen? Im Moment gibt es so etwas schlichtweg nicht.“

Das ganze Briefing, zusammen mit zwei weiteren Expert*innen, Prof. Matthias Kettemann und Prof. Sandra Wachter, gibt es jetzt als Video bei Science Media Center.

Maschinen lernen anhand von Daten. Ein sehr anschauliches Beispiel ist die Klassifikation: Maschinen können mittlerweile einem Bild die Beschreibung „Auto“ zuordnen, nachdem mehrfach verschiedene Bilder und die zugehörigen Beschreibungen dem System vorgeführt wurden. Das ist auf den ersten Blick bei Kindern ähnlich. Ihnen wird mehrfach gesagt: das ist ein Auto, ein Hund oder eine Katze – und irgendwann verstehen sie, was mit diesen Begriffen gemeint ist. Aber der Vergleich hinkt in mehrfacher Hinsicht:  Zum einen verfügen Menschen noch über viele andere Formen des Lernens – sprachliche oder motorische zum Beispiel – , zum anderen brauchen Maschinen sehr viel mehr Daten als Menschen, bis sie die richtigen Zuordnungen vornehmen. Hinzu kommt, dass Maschinen bislang oft nur in einer Modalität, zum Beispiel nur mit Bildern, trainiert werden. Kinder lernen natürlich auf mehreren „Kanälen“ gleichzeitig. Wenn ein KI-System dann seine Klassifikationen vornimmt, wird automatisch berechnet, wie gut es die Objekte erkannt hat. Auch eine solche dauernde Rückkoppelung gibt es beim menschlichen Lernen normalerweise nicht. Als Neurowissenschaftlerin ist mir sehr bewusst, dass es tiefgreifende Unterschiede zwischen menschlichem Lernen und Computerlernen gibt.

Sie sind Doktorandin an der Universität Tübingen am Exzellenzcluster Maschinelles Lernen. Worum geht es in Ihrem Projekt?

Ich erforsche, wie sich Maschinelles Lernen für die neurowissenschaftliche Forschung einsetzen lässt. Dabei geht es um Zusammenhänge zwischen dem Verhalten von Tieren oder auch Menschen, wie es sich in ihren Bewegungen ausdrückt, und ihren Hirnaktivitäten. Ich ent-wickle Algorithmen, die es erlauben, die Gehirn- und Bewegungsdaten besser miteinander zu verknüpfen und zu verstehen.

Sie engagieren sich in der Wissenschaftskommunikation, insbesondere in der Initiative „KI macht Schule“. Warum ist es eigentlich so wichtig, zu wissen, wie KI und Maschinelles Lernen funktionieren? Wir benutzen ja auch Computer, Telefone oder Kühlschränke, ohne dass die meisten von uns wirklich wissen, wie diese Geräte funktionieren.

Ein Kühlschrank hat nur eine Aufgabe, aber die KI beeinflusst viele Lebensbereiche. Sie ver-ändert jetzt schon die Art, wie wir mit Medien umgehen oder wie wir uns orientieren und fortbewegen. Manche Themen wie das autonome Fahren erregen viel öffentliche Aufmerksamkeit, aber mir sind andere Aspekte wichtiger, z.B. die Rolle, die KI in den sozialen Netzwerken und den Medien spielt. Da sind überall Algorithmen im Hintergrund wirksam, die aus den Da-ten auslesen, wer welche Informationen interessant findet und dementsprechend auswählen, was angezeigt wird. KI beeinflusst die Meinungsbildung im Guten wie im Schlechten. Zugleich ermöglicht sie wissenschaftlichen Fortschritt, zum Beispiel in der Medizin, durch die Auswertung von riesigen Datenmengen. Mir ist es einfach wichtig, dass aktuelle und zukünftige Entscheidungsträger gut informiert sind, was möglich ist und was riskant sein könnte.

Hat die breite Öffentlichkeit eine realistische Vorstellung von der Künstlichen Intelligenz?

Es gibt auf der einen Seite einen richtigen Hype um die KI und auf der anderen Seite Leute, die extrem viel Angst davor haben. Problematisch ist oft schon die Wortwahl in diesem Ge-biet: Da ist von „lernenden Systemen“ die Rede oder davon, dass der Computer „belohnt“ oder „bestraft“ wird. Solche Begriffe verschleiern, was da eigentlich passiert. Mir geht es da-rum, das Ganze etwas zu entzaubern und Menschen zu vermitteln, was die Voraussetzungen dafür sind, dass maschinelle Netzwerke überhaupt solche Leistungen erbringen können.

Ihre Hauptzielgruppe sind Schulklassen der Mittel- und Oberstufe. Wie vermitteln Sie ihnen Wissen über KI und Maschinelles Lernen?

Unsere Kurse teilen sich in drei Abschnitte: Zuerst geben wir einen Überblick über die KI, danach können die Schüler und Schülerinnen selbst mit einem KI-System arbeiten und erleben, wie es mit Daten umgeht und sie beispielsweise klassifiziert. Meistens machen wir das am Beispiel von Bildern aus Bereichen wie Kunst oder Medizin. In längeren Einheiten haben sie auch die Gelegenheit, mit Programmiercode zu arbeiten und zu sehen, wie er aufgebaut ist. Zuletzt gibt es einen sozial-ethischen Reflexionsteil. Da geht es darum, wie die KI-Anwendungen, die man gerade erlebt hat, die Gesellschaft beeinflussen. Demnächst werden wir auch eine Lehrerfortbildung machen – aufgrund der aktuellen Entwicklungen, vor allem durch Chat-GPT, ist die Nachfrage in diesem Bereich stark gestiegen.

MINT-Fächer – zu denen ja auch die KI gehört – werden von immer weniger jungen Leute studiert. Woran liegt das und was kann man dagegen tun?

Ich glaube, viel liegt an der Art der Vermittlung. Mit Mathematik und Physik kann man spannende Sachen machen, aber dieses Potential wird für den Unterricht nicht ausgeschöpft. Hinzu kommt möglicherweise, dass die Aufmerksamkeitsspanne durch die zunehmende Gewöhnung an audiovisuelle Medien geschrumpft ist. Es gibt aber die Möglichkeit, das Lehrmaterial an Formate anzupassen, die von der jüngeren Generation leichter aufgenommen werden. Für unseren Bereich versuchen wir immer, deutlich zu machen, wie spannend KI ist und welche unterschiedlichen Bereiche – von Sprach- und Neurowissenschaften bis zu Psychologie, Ethik und eben auch Mathematik und Informatik – sie vereinigt. Und dass man mit dem, was man dort lernt, in der Forschung, in der technischen Entwicklung aber auch für die Abschätzung künftiger gesellschaftlicher Entwicklungen wirklich gebraucht wird.

Das Interview führte Wolfgang Kriscke

Maschinelles Lernen birgt ein großes Potential für die zukünftige Versorgung mit erneuerbaren Energien. Um in einen aktiven Dialog mit Bürger*innen und Entscheidungsträger*innen zu treten, ist das Ausstellungsstück „IN-ML-OUT“ entstanden. Dieses ist aus einer Kooperation unseres Exzellenzclusters mit Designstudierenden der "Staatlichen Akademie der Bildenden Künste" in Stuttgart und dem "Zentrum für rhetorische Wissenschaftskommunikationsforschung zur Künstlichen Intelligenz" (RHET AI) an der Universität Tübingen hervorgegangen.

Das Exponat macht erfahrbar, dass unser Handeln das Klima beeinflusst, welche Lösungsansätze Forschende mit Hilfe von Maschinellem Lernen unterstützen können und welche Initiativen und Projekte zu erneuerbaren Energien es bereits gibt. Dazu bringt es Wissenschaft und Kunst zusammen – und überträgt die modellhaften Teilaspekte von „Input“, „Machine Learning“ und „Output“ in drei verbundene Ausstellungsstücke, die auf kreative Weise zum Entdecken, Nachdenken, und Diskutieren einladen.
 

  Am Montag, 15. Mai um 18 Uhr wird das dreiteilige Ausstellungsstück in der Staatlichen Akademie der Bildenden Künste in Stuttgart eröffnet und wird noch bis zum 17. Mai dort zu sehen sein.
Anschließend kommt es nach Tübingen und wird in Zukunft auch bei anderen Events deutschlandweit zu sehen sein.
Weitere Termine werden wir auf unserer Veranstaltungsseite bekannt geben.

“I am very excited about the meeting and its interdisciplinarity. I want to be uplifted by the stories of the pioneer scientists that the conference gathers. I also look forward to discussions with brilliant researchers of all generations with different cultural and scientific backgrounds. I expect these interactions to open perspectives – what are the next scientific challenges, how can we tackle them, and what are the new lines of research explored by others? I am confident that the audience and event will inspire me, and I hope collaborations will be an outcome”, says Albane Ruaud. Her research focusses on modelling microbial communities using graph neural networks. The aim of the project is to obtain a good representation of how bacteria interact with each other when mixed together. Such a representation would help understand the underlying mechanisms of changes in bacterial communities and monitor such communities.

Since 1951, the Lindau Nobel Laureate Meetings have made a name for themself as a unique international scientific forum, enabling exchange between generations, disciplines, and cultures. The theme of the Lindau Meetings alternates between the three Nobel Prize scientific disciplines – Physics, Chemistry or Physiology, and Medicine. The meetings take place in Lindau, a city located on the north-eastern side of Lake Constance at the German-Austrian-Swiss border. This year, seven Nobel Prize winners who are, or were formerly, directors at a Max Planck Institute are also scheduled to join the meeting.

“I am passionate about exploring biological systems, especially the microbial world. Given the complexity of microbial communities, I am interested in deploying machine learning (ML) to explore such communities. I am motivated by finding current ML methods that may be suitable for biological systems and adapting them to enhance research in biology. We can do a lot in that sense, but we need people able to understand both fields to close the gap. This is what I aim to do: adapt and improve ML methods for biological systems.”

In 2021, Albane obtained her Ph.D. in bioinformatics from the Microbiome Department of the Max Planck Institute for Biology in Tübingen. During her Ph.D., and a follow-up one-year postdoc, she investigated interactions between microorganisms in human guts using in vitro experiments and tree-based machine learning models. In 2022, Albane earned a postdoctoral fellowship from the Machine Learning Cluster of Excellence of the University of Tübingen. For this current line of research, she is collaborating with the Autonomous Learning group at the Max Planck Institute for Intelligent Systems in Tübingen and the Systems Biology of Microbial Communities lab at the University of Tübingen.

After a press release by Max-Planck-Institute for Intelligent Systems, Tübingen.

 Schaut doch mal rein!

Die Themenkanäle werden von Wissenschaftler*innen kuratiert, welche Fachartikel durch Intros zugänglich machen, Expert*innen aus unterschiedlichen Disziplinen in Special Inputs zu Wort kommen lassen und im Curator’s Cut selbst Stellung beziehen. Das Kurationsteam für den Kanal „KI und Nachhaltigkeit“ besteht aus drei Nachwuchswissenschaftler*innen des Exzellenzclusters: Jan Lause, Solveig Klepper und Matthias Karlbauer. Ab dem 3. April werden die drei in die Welt der Algorithmen und intelligenten Systeme einführen, den Begriff der KI ebenso reflektieren wie den der Nachhaltigkeit und die verschiedensten KI-Anwendungen hinsichtlich ihres Ressourcen- und Energieverbrauchs unter die Lupe nehmen. Sie werden aber auch nach dem Nutzen von KI-basierten Technologien für ein nachhaltigeres Leben fragen, nach deren sozialen Folgen – und sie werden darauf aufmerksam machen, wo aus Sicht der Forschung die größten Tücken und Herausforderungen liegen. Auch in den Foren werden die drei Kurator*innen unterwegs sein und auf Fragen und Anregungen eingehen sowie Themenstränge weiterverfolgen.

Die ersten Beiträge sind bereits online und machen deutlich, dass schon im letzten Jahrhundert viele Ideen zum Einsatz von KI vorhanden waren, aber erst in den letzten Jahrzehnten die technischen Voraussetzungen für ihren Einsatz geschaffen wurden. Sie zeigen außerdem auf, wie neben den ökologischen und ökonomischen Aspekten auch die sozialen Dimensionen des Nachhaltigkeitskonzeptes berücksichtigt werden.

------------------------------------------------------------------------------------------------------------------------

Jan, Matthias und Solveig geben in kurzen Videos einen Einblick in ihren te.ma-Kanal:
    |Jan, Matthias und Solveig - das Kurationsteam unseres te.ma-Kanals|
    | Was wollen wir mit dem Themenkanal KI & Nachhaltigkeit erreichen? |
    | Was hat KI mit Nachhaltigkeit zu tun? |
    | Welche Risiken birgt KI für die Nachhaltigkeit? |
-------------------------------------------------------------------------------------------------------------------------

All das und weitere spannende Themen gibt es jetzt auf te.ma zu entdecken.

Die Jury hob in diesem Zusammenhang besonders das Engagement der Nachwuchsforscherin für Kinder aus Familien ohne akademischen Hintergrund hervor: „Die Vermittlung grundlegender Kenntnisse über künstliche Intelligenz und darauf basierender Technologien wie ChatGPT oder Dall-E2 an Schülerinnen und Schüler ist von großer Bedeutung für unsere Gesellschaft. Die Beherr­schung derartiger Werkzeuge sowie das Wissen um ihre Möglichkeiten und Grenzen wird in Zukunft ein Faktor sein, der wesentlich über die gesellschaftliche Teilhabe jedes Einzelnen entscheidet.“

Auguste Schulz studierte Physik in Heidelberg und London sowie anschließend Neuroengineering in München. Seit Herbst 2020 arbeitet sie als Doktorandin an der Universität Tübingen in der Arbeitsgruppe von Jakob Macke an unserem Exzellenzcluster "Maschinelles Lernen". Die Nachwuchswissenschaftlerin promoviert an der Schnittstelle zwischen Neurowissenschaft und Machine Learning. Im Rahmen ihrer Doktorarbeit entwickelt sie statistische Methoden, die es ermöglichen zu verstehen, wie die Aktivität von Neuronen im Gehirn mit Verhalten zusammenhängt, beispielsweise mit komplexen Bewegungsabläufen.

Der Tübinger Preis für Wissenschaftskommunikation, der einmal jährlich von der Universität Tübingen vergeben wird, soll Forscherinnen und Forscher dazu motivieren, sich verstärkt für die Vermittlung von wissenschaftlichen Erkenntnissen und Themen in die Gesellschaft zu engagieren. Der Hauptpreis geht in diesem Jahr an Prof. Rita Triebskorn. Die Preisverleihung findet am 10. Mai 2023, 18.00 Uhr, in einer Feierstunde im Saal des Pfleghofs (Schulberg 2, 72070 Tübingen) verliehen. Der Termin ist öffentlich. Um Anmeldung wird gebeten unter.

Nach einer Pressemitteilung der Universität Tübingen vom 21.03.2023

KI und „Big Data“ zur Prävention von Hirnerkrankungen     
Das Hertie AI wird auf neuesten Erkenntnissen im Bereich des maschinellen Lernens und der künstlichen Intelligenz aufbauen und diese für ein besseres Verständnis des gesunden und kranken Nervensystems nutzen. Mithilfe komplexer Datensätze, die heute in der Grundlagenforschung verfügbar sind und im Klinikalltag gesammelt werden, sollen am Institut neue Methoden entwickelt werden, um Erkrankungen des Nervensystems früher zu erkennen, Krankheitsverläufe vorherzusagen und Therapien zielgerichteter einzusetzen. Um dieses Potenzial voll auszuschöpfen, wird das Hertie AI insbesondere methodische Innovationen vorantreiben, die jene besonderen Anforderungen erfüllen, die an klinisch eingesetzte KI-Methoden gestellt werden: Genauigkeit, Robustheit und Nachvollziehbarkeit.

Gründungsdirektor Prof. Dr. Philipp Berens, Professor im Bereich Data Science an der Universität Tübingen und Sprecher des Exzellenzclusters „Maschinelles Lernen“, forscht seit 15 Jahren auf dem Gebiet: „Mit dem neuen Institut können wir, ausgehend von der methodischen Grundlagenforschung, die translationale Pipeline bis hin zur klinischen Umsetzung abdecken“, erklärt er. „Das ermöglicht uns, die Investitionen in den KI Standort Tübingen sowohl für die Neuromedizin als auch für die Patientinnen und Patienten nutzbar zu machen – in Zusammenarbeit mit unseren klinischen Partnern in der Neurologie und Augenheilkunde.“

Die Hertie-Stiftung finanziert das gemeinsame Projekt mit der Universität Tübingen mit 10 Millionen Euro für zunächst fünf Jahre. Unter ihrem Leitthema „Gehirn erforschen“ investiert die Stiftung damit nach der erfolgreichen Gründung des Hertie-Instituts für klinische Hirnforschung (HIH) im Jahr 2001 in ein neues zukunftsweisendes Großprojekt in Tübingen.  

Frank-J. Weise, Vorstandsvorsitzender der Hertie-Stiftung erläutert: „Die Förderung der Neurowissenschaften ist ein Kernthema der Hertie-Stiftung. Ich bin davon überzeugt, dass künstliche Intelligenz eine Schlüsselrolle für die Wissenschaft spielen wird und freue mich deshalb sehr, dass wir ein weiteres zukunftsweisendes Institut für die Weiterentwicklung der Neuromedizin gemeinsam mit der Universität Tübingen auf den Weg bringen können. Das ebenfalls gemeinsam gegründete Hertie-Institut für klinische Hirnforschung mit Förderung vom Land Baden-Württemberg zeigt eindrucksvoll, was eine gute Public-Private Partnership bewirken kann.“

Die Rektorin der Universität Tübingen, Prof. Dr. Karla Pollmann, dankte der Hertie-Stiftung für ihr nachhaltiges Engagement für den Forschungsstandort Tübingen: „Die Tatsache, dass wir Tübingen in den vergangenen Jahrzehnten mehrfach auf hoch-innovativen und sich dynamisch entwickelnden Forschungsfeldern wie den Neurowissenschaften oder der künstlichen Intelligenz etablieren konnten, haben wir ganz wesentlich der Unterstützung von Einrichtungen wie der Hertie-Stiftung zu verdanken.“ Ein solches Engagement privater Geldgeber sei zentral dabei, im Wettbewerb um die besten Köpfe weltweit erfolgreich zu sein und – im Verein mit Bund und Land – gute Bedingungen für Spitzenforschung zu schaffen.

„Das Hertie Institute for Artificial Intelligence in Brain Health ist ein bedeutender Meilenstein auf dem Weg hin zu einer Medizin 4.0. Mit der Digitalisierung der medizinischen Forschung und Krankenversorgung werden wir zukünftig richtungsweisende Fortschritte erzielen. So kann uns die künstliche Intelligenz dazu verhelfen, den gigantischen Datenmengen Herr zu werden, die etwa beim Einsatz modernster medizinischer Diagnoseverfahren entstehen. Umso erfreulicher ist es, dass das Hertie AI an der Medizinischen Fakultät Tübingen angesiedelt ist“, betont Prof. Dr. Bernd Pichler, Dekan der Medizinischen Fakultät Tübingen.

Das Hertie AI ist ein neuer Pfeiler in dem europaweit einzigartigen Netzwerk aus Forschungsinitiativen in den Neurowissenschaften und der künstlichen Intelligenz am Wissenschaftsstandort Tübingen und wird in das Cyber Valley Ökosystem eingebettet.

Über die Gemeinnützige Hertie-Stiftung
Die Arbeit der Hertie-Stiftung konzentriert sich auf zwei Leitthemen: Gehirn erforschen und Demokratie stärken. Die Projekte der Stiftung setzen modellhafte Impulse innerhalb dieser Themen. Im Fokus stehen dabei immer der Mensch und die konkrete Verbesserung seiner Lebensbedingungen. Die Gemeinnützige Hertie-Stiftung wurde 1974 von den Erben des Kaufhausinhabers Georg Karg ins Leben gerufen und ist heute eine der größten weltanschaulich unabhängigen und unternehmerisch ungebundenen Stiftungen in Deutschland. Der Name „Hertie“ geht zurück auf Hermann Tietz, Mitbegründer des gleichnamigen Warenhauskonzerns zum Ende des 19. Jahrhunderts.
www.ghst.de

Über die Medizinische Fakultät an der Universität Tübingen
Die Medizinische Fakultät als enger Partner des Universitätsklinikums Tübingen ist mit über 1.000 wissenschaftlichen Mitarbeiterinnen und Mitarbeitern die größte Fakultät der Universität Tübingen und Ausbildungs- und Forschungsstätte auf höchstem Niveau. Zusammen mit der Theologischen, der Juristischen und der Artistischen (später Philosophischen) Fakultät gehört sie zu den vier "Gründungsfakultäten" der Universität aus dem Jahre 1477.
 

Nach einer Pressemitteilung der Universität Tübingen

Tübingen entwickelt sich zu einem wichtigen Standort für die Forschung und Entwicklung von Künstlicher Intelligenz (KI). Die Politik verspricht sich von KI eine sichere Zukunft für die ganze Region. Für andere ist diese Entwicklung ein Grund zum Protest.

Die Ausstellung erklärt die Technik, die hinter KI steht und gibt Raum für die Debatten über Gebrauch und Missbrauch der neuen Technologien. Mitmachstationen zeigen den Besuchenden nachvollziehbar, wie maschinelles Lernen funktioniert und wie es angewendet werden kann. Die Ausstellung präsentiert die Institutionen, Orte und Menschen, die hier KI erforschen und über sie nachdenken. Diese kommen mit ihren Einschätzungen ebenso zu Wort wie die Kritiker_innen und Akteur_innen der Proteste in Tübingen. Die Künstlerin Sabine Bloch hat mit ihrer Arbeit „Humano[i]de“ einen foto-grafisch-künstlerischen Kommentar zum Thema eigens für diese Ausstellung geschaffen.

Die Ausstellung ist vom 11. Februar bis zum 22. Oktober 2023 zu sehen.

Webseite der beteiligten Studierenden

Weitere Informationen der Stadt Tübingen

Stadtmuseum Tübingen
Kornhausstraße 10
72070 Tübingen
Telefon: 07071 / 204 - 1711
stadtmuseum@tuebingen.de
www.tuebingen.de/stadtmuseum

Öffnungszeiten:
Mi, Fr – So: 11 – 17 Uhr
Do: 11 – 19 Uhr
Eintritt frei

Der biologischen Forschung sei es in den vergangenen Jahrzehnten gelungen, das Gehirn der Fruchtfliege in großer Detailtiefe zu analysieren. „Damit haben wir nun Zugang zu den Schaltkreisen des Gehirns, aber konnten bisher trotzdem keine Modelle bauen, die ähnliche Aufgaben wie echte Drosophila-Gehirne übernehmen können.“ Im Gegensatz dazu sei es in den vergangenen Jahren mit den Methoden des Deep Learning gelungen, künstliche neuronale Netze zu schaffen, die sehr komplizierte Berechnungen durchführen könnten. Die künstlichen neuronalen Netze hätten sich aber von ihrem Aufbau und ihrer Funktionsweise her inzwischen weit von denen biologischer neuronaler Netze entfernt.

„Diese beiden Welten wollen wir wieder zusammenbringen“, erklärte der KI-Forscher: „Unser Ziel ist es nun, künstliche neuronale Netze zu schaffen, die in Aufbau und Struktur dem Gehirn der Fruchtfliege möglichst nahekommen, zugleich aber ähnliche Leistungen vollbringen können.“ Dazu seien neuartige Methoden des Maschinellen Lernens notwendig, welche in dem Projekt in enger Zusammenarbeit mit Srinivas Turaga vom Janelia Research Campus in Ashburn, Virginia und weiteren Forschenden entwickelt und angewendet werden sollen. Solche Methoden können auch für die neurowissenschaftliche Erforschung von Lebewesen mit komplexeren Gehirnen, wie beispielsweise Fischen oder Säugern eingesetzt werden.     

Professor Jakob Macke ist Mitglied des Tübinger Exzellenzclusters „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“, an dem er die W3-Professur für „Maschinelles Lernen in der Wissenschaft“ innehat, ausserdem ist er Mitglied des von der Bundesregierung geförderten Tübingen AI Center, und Sprecher des „Bernstein Center for Computational Neuroscience Tübingen“.
 

Nach einem Artikel von Karl G. Rijkhoek, Hochschulkommunikation, Universität Tübingen. Originalartikel

„Schwangerschaftsverlust ist ein neurowissenschaftlich wenig beforschtes Thema. Es ist bekannt, dass das weibliche Gehirn im Zuge einer Schwangerschaft umstrukturiert wird, allerdings wissen wir nicht, welchen Dynamiken diese Prozesse bei Verlust der Schwangerschaft unterliegen. Auch wissen wir wenig darüber, welche Faktoren nach einem Schwangerschaftsverlust gemeinsam auf das Gehirn einwirken und wie sich psychische Erkrankungen im Gehirn der betroffenen Frauen manifestieren. Genau hier setzt unsere Forschung an und wir hoffen, ein besseres Verständnis vom Entstehungsprozess psychischer Erkrankungen zu erlangen“, erläutert Prof. Kaufmann.

Psychische Erkrankungen haben nicht den einen Auslöser, sondern ihnen liegen meist mehrere Faktoren zugrunde. Bei der Untersuchung der besonders kritischen Phase nach einem Schwangerschaftsverlust wollen die Wissenschaftlerinnen und Wissenschaftler das Zusammenspiel von verschiedenen Faktoren wie etwa der Genetik oder der Hormone und soziostrukturellen Einflüssen analysieren. Es gilt herauszufinden, wie sich diese Faktoren auf die Struktur und Funktion des Gehirns über einen gewissen Zeitraum hinweg auswirken.

Dafür werden Frauen in den Wochen nach ihrem Schwangerschaftsverlust begleitet und mehrfach untersucht, um eine breite Datenbasis aufzubauen, die dann mittels komplexer statistischer Verfahren analysiert wird. Anhand dieser Untersuchungen erhofft sich das Team um Prof. Kaufmann, Erkenntnisse über die Entstehung psychischer Erkrankungen zu gewinnen.
 

Pressemitteilung des Universitätsklinikums Tübingen

Wir haben hinterher mit Kerstin gesprochen und sie zu ihren Erfahrungen aus diesen 2 Wochen gefragt sowie nach ihren Plänen für das Preisgeld.

1) Was hast Du mit dem Preisgeld von 500€ vor und warum hast Du Dich für diese Aktion entschieden?

Da ich mit Machine Learning Bodentypen vorhersage, möchte ich gerne mit dem Preisgeld mit einer Schule - am besten mit einer, die bei dem Wettbewerb mitgemacht hat - ins Gelände gehen. Dort will ich die Verknüpfung zwischen den Daten und dem ML-Modell veranschaulichen. Denn ich glaube diese zwei Bereiche werden oft separiert betrachtet, was aber super wichtig ist, um seine Daten zu kennen und dadurch auch besser ein geeignetes Modell auswählen zu können. Außerdem ist es ziemlich langweilig, den Schüler*innen einfach nur einen Code zu zeigen.

2) Gab es eine Frage, Die Du besonders interessant fandest oder eine, über die Du selbst nicht nachgedacht hast? Und was zeigen Dir die Fragen der Schüler*innen, was ist das, was sie beschäftigt, wenn es um KI geht?

Besonders interessant fand ich die Fragen über unser Leben als Wissenschaftler*innen. Bei den Schüler*innen existiert immer noch ein Bild von einer*m Wissenschaftler*in, welche*r non-stop arbeitet und keine Hobbies oder Freunde hat.
Die meisten Fragen, über die ich selbst sehr wenig nachgedacht habe, waren Fragen zur Historie und Entwicklung von KI. Klar in manchen Bereichen, wie bei mir bzgl. Neuronalen Netzwerken, weiß man ein paar Facts darüber. Aber so die Entstehung des generellen Interesses für KI, ab wann es so benannt wurde, was die erste KI war, waren Fragen, die ich mir selbst noch nicht gestellt hatte.
Generell ist mir aufgefallen, dass die Meisten Bedenken haben, dass KI oder Roboter die Welt übernehmen, uns Menschen unterdrücken oder die Welt sogar zerstören. Ich denke, das Bild ist sehr stark durch die großen Hollywoodfilme geprägt, hat aber mit der Realität zum Glück - wie so oft - nichts zu tun.

3) Würdest Du anderen Wissenschaftler*innen empfehlen auch an Wissenschaftskommunikation-Formaten teilzunehmen, die einen Austausch mit Schüler*innen ermöglichen und warum?

Definitiv. Man lernt selbst noch so viel dazu, auch was es für andere Bereiche noch gibt, in der KI verwendet wird durch die anderen Wissenschaftler*innen. Ebenfalls bekommt man dann auch mal mit, wie die Menschen außerhalb der Wissenschaftsbubble uns eigentlich sehen. Und zuletzt, diese Schüler*innen sind unsere zukünftigen PhDs, Postdocs, etc. Darum ist es ja umso besser, innerhalb so einer einfachen Kommunikation, den Schüler*innen zu zeigen, was wir eigentlich machen, dass man kein 1er Schüler*in sein muss für eine wissenschaftliche Karriere und sie früh dafür zu motivieren. Insbesondere die große Barriere zwischen Wissenschaftler*innen und Nichtwissenschaftler*innen abzubauen. Und es macht seeehr viel Spaß!
 

“I’m a Scientist” wird seit 2020 als deutschsprachiges Angebot von “Wissenschaft im Dialog” umgesetzt. Seitdem gab es Runden zu den Themen Nachhaltigkeit, Infektionen, Teilchenphysik, Gesundheit, Wissen, Klimawandel, Digitalisierung, Demokratie sowie Künstliche Intelligenz & Medizin. Über 4000 Schüler*innen von mehr als 150 Schulen haben bislang aktiv an den Themenrunden teilgenommen. Unterstützt wurde das Projekt bisher von mehr als 200 Wissenschaftler*innen.

Dr. Katharina Eggensperger ist Leiterin der Early Career Forschungsgruppe "Automatisiertes Maschinelles Lernen für die Wissenschaft". Ziel ihrer Forschung ist es, die Verwendung von Maschinellem Lernen so zu vereinfachen, dass das Potenzial von ML in allen Anwendungsbereichen voll ausgeschöpft werden kann. Ein besonderer Fokus ihrer Gruppe ist die Erforschung und Entwicklung von AutoML Systemen, die automatisch Vorhersagen und Erkenntnisse aus Daten generieren.
Bevor sie nach Tübingen kam war Katharina Eggensperger Doktorandin im Machine Learning Lab der Universität Freiburg, wo sie unter der Betreuung von Prof. Dr. Hutter promovierte (2022). In Freiburg forschte sie an Methoden für AutoML, Hyperparameteroptimierung (HPO), der Vorhersage von Algorithmenperformanz und der effizienten empirischen Evaluierungen von HPO Methoden. Außerdem entwickelte sie mehrere open-source Tools für AutoML und HPO mit.

Die Grundidee der Reihe „KI im Gespräch“ ist es, jeweils eine KI-Forscher:in mit einer geistes- oder sozialwissenschaftlichen Forscher:in in einen moderierten Austausch zu bringen und in entspannter Atmosphäre möglichst viele Fragen der anwesenden Studierenden verschiedenster Fachrichtungen aufzugreifen.

Der KI-Makerspace bietet ein praxisnahe Vermittlung von Grundlagen­kompetenzen und Technik-Basics für Schüler/innen und junge Erwachsene, die als Einstiegstechnologien den Zugang zum Thema KI ermöglichen. Außerdem möchte er einen räumlichen Netzpunkt bieten, um Ideen und Gedanken zum Thema KI, Digitalisierung und Zukunft auszutauschen und zu entwickeln.
 

Donnerstag, 26. Januar 2023, 19:00 – 22:00, Wöhrdstr 25, Casino am Neckar, Tübingen

Weitere Info und Anmeldung

Auf der Grundlage der "Land Suitability Classification", entwickelt von der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO), entwickelten sie für eine landwirtschaftliche Fläche von 65 km² in der Provinz Kurdistan, Iran, eine Karte der Bodeneignungsklassen. Im ersten Ansatz wurden die Karten mithilfe von ML-Modellen und Hilfsvariablen erstellt. Im zweiten Ansatz wurden die Karten nach dem traditionellen Ansatz erstellt, der im Iran am häufigsten zur Erstellung von Karten der Bodeneignungsklassen verwendet wird. Bodenproben wurden aus genetischen Schichten von 100 Bodenprofilen entnommen und die physikalisch-chemischen Eigenschaften der Bodenproben wurden analysiert. Außerdem wurden Topographie- und Klimadaten erfasst.

Nach der Berechnung der Bodeneignungsklassen für die beiden Kulturen wurden diese mit Hilfe von maschinellem Lernen (ML) und traditionellen Ansätzen kartiert. Die von den beiden Ansätzen vorhergesagten Karten wiesen bemerkenswerte Unterschiede auf. Bei Regenweizen beispielsweise zeigten die Ergebnisse eine höhere Genauigkeit der ML-basierten Landeignungskarten im Vergleich zu den Karten, die mit dem traditionellen Ansatz erstellt wurden. Darüber hinaus zeigten die Ergebnisse, dass die Flächen mit den Klassen N2 (≈18%↑) und S3 (≈28%↑) höher und die Flächen mit der Klasse N1 (≈24%↓) beim traditionellen Ansatz im Vergleich zum ML-basierten Ansatz schlechter vorhergesagt waren. Die wichtigsten Einschränkungen des Untersuchungsgebiets waren Niederschläge in der Blütezeit, starke Hanglage, geringe Bodentiefe, hoher pH-Wert und großer Kiesgehalt.

Um die Produktion zu steigern und ein nachhaltiges landwirtschaftliches System zu schaffen, werden daher Maßnahmen zur Bodenverbesserung vorgeschlagen.

Originalpublikation: Ruhollah Taghizadeh-Mehrjardi, Kamal Nabiollahi, Leila Rasoli, Ruth Kerry and Thomas Scholten. Agronomy 2020, 10(4), 573; https://doi.org/10.3390/agronomy10040573 

Weitere Informationen auf Ruhollah Taghizadehs Webseite

Es gibt zwar viele Studien, die die Telekonnektivität von OP- und ZP-Ereignissen für einzelne Zielregionen untersuchen, aber eine globale Analyse steht noch aus. Hier hat das Team der Forschungsgruppe Maschinelles Lernen in den Klimawissenschaften angesetzt. Ihre Studie wirft ein neues Licht auf das El-Niño-Phänomen und darauf, wie dessen weltweite Korrelationen von der jeweiligen Ausprägung abhängen, d. h. davon, ob sich sein Wirkungszentrum im Ostpazifik oder im Zentralpazifik befindet.

Was als Semesterprojekt des ehemaligen Masterstudenten Christian Fröhlich begann, entwickelte sich bald zu einer umfassenden Studie über die weltweiten Telekonnections von El-Niño-Ereignissen. Unter Verwendung des Begriffs der "Krümmung" komplexer Netzwerkverbindungen zeigte das Team, dass die Verbindungen von "Klimanetzwerken" positiv gekrümmt sind, wenn sie regional sind, und negativ gekrümmt, wenn sie über große Entfernungen wirken. Die Klimanetzwerke selbst wurden auf der Grundlage statistisch robuster Korrelationen konstruiert, die aus globalen Lufttemperatur-Daten geschätzt wurden. Die Krümmung der Verbindungen in dem Klimanetzwerk bietet eine objektive Möglichkeit, die Unterschiede in der räumlichen Struktur der Telekonnections verschiedener Arten von El-Niño-Ereignissen auf globaler Ebene zu untersuchen.

“Die Netzwerkkrümmung, insbesondere für Klimanetzwerke, ist ein intuitives und zugleich informatives Werkzeug zur Visualisierung der Topologie eines Netzwerks, das wiederum Rückschlüsse auf die räumliche Struktur von Verbindungen zulässt. Obwohl wir es zur Untersuchung des El-Niño-Phänomens verwenden, kann man diese Technik im Prinzip zur Untersuchung jedes korrelationsbasierten Ähnlichkeitsmaßes von Klimavariablen wie Niederschlag oder Luftdruck nutzen", berichtet Strnad, während er über die Leistungsfähigkeit der Klimanetzwerkkrümmung als visuelles Analyseinstrument spricht.

Interessanterweise zeigt der Zentralpazifik selbst während der ZP-El-Niño-Ereignisse nicht viele Telekonnections, was das Team auf die unterschiedliche Lage der Warmwasser-Anomalien im Zentralpazifik zurückführt. Der Ostpazifik verhält sich dagegen robuster, so dass die meisten Telekonnections beider El-Niño-Typen eine Verbindung dorthin zeigen.

"Der Einfluss von OP- und ZP-El-Nino-Ereignissen auf manche Regionen ist schon seit Anfang der 2000er bekannt. Diese Telekonnections wurden jedoch bisher einzeln untersucht. Unsere Analyse liefert ein globales Bild der Telekonnektionen und zeigt, dass OP-Ereignisse einen stärkeren Einfluss auf die Tropen haben als ZP-Ereignisse, während ZP-Ereignisse einen größeren Einfluss auf die mittleren Breiten haben. Viele Klimamodelle stellen nur einen Bruchteil der Telekonnektionen von OP und CP El-Nino-Ereignisse dar. Die Krümmung von Klimanetzen basierend auf den Modelldaten, liefert ein Maß, wie gut die Modelle die Einflüsse von OP und CP-Ereignissen beschreiben, die wir in den Satellitendaten sehen", erklärt Schlör.

Originalpublikation:

Strnad, F. M., Schlör, J., Fröhlich, C., & Goswami, B. (2022). Teleconnection patterns of different El Niño types revealed by climate network curvature. Geophysical Research Letters, 49, e2022GL098571. https://doi.org/10.1029/2022GL098571

Zurzeit beschäftigt sich Ludwig vor allem mit den Wechselwirkungen zwischen Wetter, Klima und dem Energiesystem sowie mit Unsicherheiten in Vorhersagemodellen. Unsicherheit wird es in den Modellen zur Energieversorgung der Zukunft immer noch geben. „Politikerinnen und Politiker und auch Unternehmerinnen und Unternehmer zögern daher oft noch, solche algorithmenbasierten Modelle als Grundlage für ihre Entscheidungen heranzuziehen“, sagt Ludwig. Sie wollen klare, eindeutige Aussagen – und das ist für die Wissenschaft schwierig. In der nächsten Zeit will sie daher gemeinsam mit ihrer Gruppe ihr Thema verstärkt nach außen tragen und dabei auch die Unsicherheit mitkommunizieren.

Lesen Sie hier den gesamten Blog-Beitrag.

Bei Bedarf kann eine Datei des Logos in der Geschäftsstelle angefordert werden (aikaterini.filippidouspam prevention@uni-tuebingen.de).

Gerard Pons-Moll wurde zusammen mit 5 Ko-Autoren mit dem Best Paper Honorable Mention Award ausgezeichnet, für das Paper „Pose-NDF: Modeling Human Pose Manifolds with Neural Distance Fields“ (Ko-Autoren: Garvita Tiwari, Dimitrije Antić, Jan Eric Lenssen, Nikolaos Sarafianos, Tony Tung). Pose-NDF ist ein kontinuierliches Modell für realistische menschliche Posen, das auf neural distance fields (NDFs) basiert. Weitere Informationen https://virtualhumans.mpi-inf.mpg.de/posendf/
 

Michael Black ist zusammen mit 3 Ko-Autoren für seine Arbeit zum Sintel-Datensatz mit dem Koenderink-Preis ausgezeichnet worden (A naturalistic open source movie for optical flow evaluation. Daniel J. Butler, Jonas Wulff, Garrett B. Stanley, Michael J. Black). Mit diesem Preis werden bedeutende Beiträge im Bereich Computer Vision gewürdigt. Er wird für eine Arbeit verliehen, die vor zehn Jahren auf der ECCV-Konferenz veröffentlicht wurde und nach 10 Jahren immer noch nicht an Aktualität verloren hat. Nach 2010 ist es bereits das zweite Mal, dass Michael Black den Preis erhält, und damit ein Alleinstellungsmerkmal unter den PreisträgerInnen.
Informationen zu Sintel: https://perceiving-systems.blog/en/news/sintel-at-10-years

In diesem Jahr ist unser Cluster mit 28 Papern auf der NeurIPS vertreten.

Liste der akzeptierten Beiträge unserer Mitglieder (alle Beiträge sind hier zu finden):

1. Relational Proxies: Emergent Relationships as Fine-Grained Discriminators
   Abhra Chaudhuri · Anjan Dutta · Massimiliano Mancini · Zeynep Akata
2. Efficient identification of informative features in simulation-based inference
   Jonas Beck · Michael Deistler · Yves Bernaerts · Jakob H Macke · Philipp Berens
3. A Causal Analysis of Harm
   Sander Beckers · Hana Chockler · Joseph Halpern
4. Embrace the Gap: VAEs Perform Independent Mechanism Analysis
   Patrik Reizinger · Luigi Gresele · Jack Brady · Julius von Kügelgen · Dominik Zietlow · Bernhard Schölkopf · Georg Martius · Wieland Brendel · Michel Besserve
5. VoxGRAF: Fast 3D-Aware Image Synthesis with Sparse Voxel Grids
   Katja Schwarz · Axel Sauer · Michael Niemeyer · Yiyi Liao · Andreas Geiger
6. MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction
   Zehao Yu · Songyou Peng · Michael Niemeyer · Torsten Sattler · Andreas Geiger
7. Performative Power
   Moritz Hardt · Meena Jagadeesan · Celestine Mendler-Dünner
8. Provably Adversarially Robust Detection of Out-of-Distribution Data (Almost) for Free
   Alexander Meinke · Julian Bitterwolf · Matthias Hein
9. Diffusion Visual Counterfactual Explanations
   Maximilian Augustin · Valentyn Boreiko · Francesco Croce · Matthias Hein
10. SAMURAI: Shape And Material from Unconstrained Real-world Arbitrary Image collections
    Mark Boss · Andreas Engelhardt · Abhishek Kar · Yuanzhen Li · Deqing Sun · Jonathan Barron · Hendrik PA Lensch · Varun Jampani
11. Interpolation and Regularization for Causal Learning
    Leena Chennuru Vankadara · Luca Rendsburg · Ulrike Luxburg · Debarghya Ghoshdastidar
12. Truncated proposals for scalable and hassle-free simulation-based inference
    Michael Deistler · Pedro Goncalves · Jakob H Macke
13. Curious Exploration via Structured World Models Yields Zero-Shot Object Manipulation
    Cansu Sancaktar · Sebastian Blaes · Georg Martius
14. Interventions, Where and How? Bayesian Active Causal Discovery at Scale
    Panagiotis Tigas · Yashas Annadani · Andrew Jesson · Bernhard Schölkopf · Yarin Gal · Stefan Bauer
15. Rule-Based but Flexible? Evaluating and Improving Language Models as Accounts of Human Moral Judgment
    Zhijing Jin · Sydney Levine · Fernando Gonzalez Adauto · Ojasv Kamal · Maarten Sap · Mrinmaya Sachan · Rada Mihalcea · Josh Tenenbaum · Bernhard Schölkopf
16. Neural Attentive Circuits
    Martin Weiss · Nasim Rahaman · Francesco Locatello · Chris Pal · Yoshua Bengio · Bernhard Schölkopf · Li Erran Li · Nicolas Ballas
17. Exploring the Latent Space of Autoencoders with Interventional Assays
    Felix Leeb · Stefan Bauer · Michel Besserve · Bernhard Schölkopf
18. Amortized Inference for Causal Structure Learning
    Lars Lorch · Scott Sussex · Jonas Rothfuss · Andreas Krause · Bernhard Schölkopf
19. Assaying Out-Of-Distribution Generalization in Transfer Learning
    Florian Wenzel · Andrea Dittadi · Peter Gehler · Carl-Johann Simon-Gabriel · Max Horn · Dominik Zietlow · David Kernert · Chris Russell · Thomas Brox · Bernt Schiele · Bernhard Schölkopf · Francesco Locatello
20. Probable Domain Generalization via Quantile Risk Minimization
    Cian Eastwood · Alexander Robey · Shashank Singh · Julius von Kügelgen · Hamed Hassani · George J. Pappas · Bernhard Schölkopf
21. Function Classes for Identifiable Nonlinear Independent Component Analysis
    Simon Buchholz · Michel Besserve · Bernhard Schölkopf
22. AutoML Two-Sample Test
    Jonas Kübler · Vincent Stimper · Simon Buchholz · Krikamol Muandet · Bernhard Schölkopf
23. Sampling without Replacement Leads to Faster Rates in Finite-Sum Minimax Optimization
    Aniket Das · Bernhard Schölkopf · Michael Muehlebach
24. Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis
    Ronan Perry · Julius von Kügelgen · Bernhard Schölkopf
25. Direct Advantage Estimation
    Hsiao-Ru Pan · Nico Gürtler · Alexander Neitz · Bernhard Schölkopf
26. Learning Structure from the Ground up---Hierarchical Representation Learning by Chunking
    Shuchen Wu · Noemi Elteto · Ishita Dasgupta · Eric Schulz
27. Exploration With a Finite Brain
    Marcel Binz · Eric Schulz
28. Learning interacting dynamical systems with latent Gaussian process ODEs
    Cagatay Yildiz · Melih Kandemir · Barbara Rakitsch

Frau Ammicht Quinn, wie wird KI in der Migration aktuell eingesetzt?

Das einfachste Beispiel sind die Smartphones; also Techniken zur Information und Orientierung, aber auch zur Kontrolle der Menschen. Andere Techniken versuchen zum Beispiel Migrationsströme vorherzusagen, um bessere Versorgungen zu gewährleisten. Es gibt Techniken zur Identifikation, wenn Menschen ohne Papiere und ohne Visum einreisen, die Daten der Menschen mit biometrischen Datenbanken abgleichen. Weitere Techniken dienen der Risikoanalyse, zum Beispiel in Form von Lügendetektoren, die momentan an der griechischen Grenze eingesetzt werden.

Sie sprechen von „Techniken“; ich verwende eher den Begriff „intelligente Systeme“. Gibt es für Sie einen Unterschied?

Was für intelligente Systeme gilt, gilt für alle Techniken auch. Nur verschärft sich die Lage mit intelligenten Systemen, weil sie umfassender umgreifen und schwerer zu kontrollieren sind als beispielsweise eine Waschmaschine.

Wie funktioniert der Lügendetektor genau: Die Menschen werden befragt und nebenbei analysiert ein intelligentes System die Sprache oder den Gesichtsausdruck daraufhin, ob diese Person lügt?

Es ist noch komplexer, da die Asylsuchenden am Bildschirm mit einem Avatar sprechen. Je nach Voreinstellung hat dieser Avatar ein freundliches oder ein sehr strenges Gesicht. Menschen auf der Flucht sind häufig Menschen mit traumatischen Erfahrungen, die auf einen solchen Avatar mit viel größerer Nervosität oder größerem Misstrauen reagieren, als wir das tun würden. Momentan erkennt dieses System traumatische Reaktionen als Täuschung oder Lüge und empfiehlt diese Menschen für die Rückführung.

Eine gesellschaftliche und politische Verantwortung über Asylverfahren und Menschenleben wird dadurch an Technik abgeben.

Das dürfen wir nicht, weder rechtlich noch moralisch. Es dürfen keine Lebensentscheidungen automatisiert und auch nicht teilautomatisiert getroffen werden. Und schon gar nicht an Grenzen, wo es tatsächlich oft Entscheidungen über Leben und Tod sind.

... wobei das Beispiel der Lügendetektoren zeigt, dass es ja faktisch bereits getestet wird. 

Genau, sie sind entwickelt worden im EU Projekt „iBorderCTRL". Bereits in der Entwicklungsphase konnte man sich vorstellen, was mit dieser Technik geschieht. Wir müssen nicht nur sorgfältig mit Grenzsituationen umgehen, sondern sorgfältig überlegen, wohin uns unsere Forschungsfreiheit eigentlich führt. Techniken sind in diesem Sinne eben nie neutral, weil Leitvorstellungen, Werte, Normen, Idealbilder in Techniken eingeschrieben sind.

Technik wird allerdings häufig damit assoziiert, neutraler, objektiver zu sein als Menschen. Wenn intelligente Systeme an der Grenze zum Einsatz kommen, geschieht dass dann nicht sogar zum Wohle der migrierenden Menschen? Ist die Technik neutraler, als wenn sie auf andere Menschen an Grenzen träfen?

Menschen sind subjektiv und emotional. Nicht mal Schiedsrichter im Fußball sind wirklich neutral. Mit der Neutralität ist es, glaube ich, weder beim Menschen noch in der Technik wirklich weit her. Aber es ist zu einfach, Menschen und Technik gegenüber zu stellen. Denn Technik im Kontext menschlichen Handelns bedeutet immer, dass Technik auch „handelt“. Wir handeln mit Technik und Technik handelt mit uns. In diesem Kontext sprechen wir von soziotechnischen Systemen. Wir müssen wissen, dass Konflikte über Technik, die wir haben, immer auch gesellschaftliche Konflikte sind.

... die wir versuchen, mit Technik zu lösen. Sollte man überhaupt KI an Grenzen einsetzen?

Keine einfache Frage. Die grundsätzlichen Spielregeln sind: Techniken dürfen keine Lebensentscheidungen treffen, nicht automatisiert und auch nicht teilautomatisiert, weil dann immer die Gefahr ist, dass der Technik zu viel Objektivität und Wahrheit zugeschrieben wird. Das Zweite ist: Verantwortung darf nicht abgegeben werden. Und das Dritte: Wir brauchen natürlich Techniken in schwierigen Situationen. Wir brauchen Techniken für die Seenotrettung, sonst sterben noch mehr Menschen im Mittelmeer.

Zugleich wissen wir, dass je stärker technisch überwacht bestimmte Migrationsrouten sind, zum Beispiel mit Drohnen, Wärmebildkameras, Bewegungsmeldern oder Herzschlagsensoren, desto riskantere Wege nehmen Menschen. Mir macht das große Sorgen. Wir haben intelligente Systeme, die schnelle, saubere, neutrale Lösungen versprechen. Doch bei dem Versuch, diese Lösungen herzustellen, entstehen zahlreiche Probleme: Diskriminierungen und Menschenrechtsverletzungen. Wir brauchen politische Lösungen, wie wir mit einer mobilen Weltbevölkerung umgehen, und nicht eine Hochrüstung von Grenzen.

In Tübingen gab es vor kurzem eine Tagung zu dem Thema „Border Regimes“. Haben Sie denn den Eindruck, dass sich KI-Forschende der Verantwortung der Wissenschaft bewusst sind?

Das Problem ist, dass wir hier viel Grundlagenforschung machen, bei der schwer vorstellbar ist, wo sie einmal implementiert werden könnte. Ein klassisches Dilemma: Am Anfang einer Forschung könnte man vieles ändern, um ein mögliches Produkt besser zu machen. Wenn man am Ende ist und weiß, wie es aussehen wird, ist es oft zu spät. Cyber Valley versucht, die Gesellschaft früher in den Prozess der Forschung einzubinden und den Dialog zu starten – das müsste noch in viel größerem Maße stattfinden. Wir als Public Advisory Board fragen junge Menschen, die in Cyber Valley Projekte entwickeln, zwei Dinge: Wo in der besten aller möglichen Welten wird ihre Forschung einmal landen und wo in der schlechtesten aller möglichen Welten? Und was können sie jetzt schon tun, um das zu beeinflussen?

Und wie sind die Reaktionen drauf?

Manche sagen: Ich mache Forschung; das hat damit doch gar nichts zu tun. Und andere sind sich dessen sehr bewusst.

Im Interview mit ArrivalAid kamen ganz pragmatische, praktische Forderungen an die Wissenschaft auf, zum Beispiel bessere Sprachübersetzungssysteme für seltene Sprachen. Fehlt der Wissenschaft der Bezug zu diesen realen Problemen, die gelöst werden sollten?

Es ist völlig klar, dass wir finanzielle und strukturelle Unterstützung brauchen für gemeinwohlorientierte künstliche Intelligenz. Denn ein hoher Anteil der Forschung wird letztendlich für Konsum, Kommerz und Werbezwecke eingesetzt. Und ja, wir brauchen mehr Teilhabe mit anderen, nicht für andere.

Sie waren Staatsrätin für interkulturellen und interreligiösen Dialog als parteiloses Mitglied der Landesregierung in Baden Württemberg. Welche Möglichkeiten sehen Sie, dass KI unterschiedliche Kulturen und religiöse Hintergründe migrierender Menschen zusammenbringt?

Tatsächlich ist Sprachverständnis ein ganz wesentlicher Teil. Eine weitere Idee sind Lernprogramme, die auf die ganz individuellen Bedürfnisse von Menschen zugeschnitten sind, aber keine Profile bilden oder Daten verkaufen. Man könnte sich Augmented oder Virtual Reality Programm vorstellen mit der Frage: Wie fühlt es sich denn für mich an, durch deine Heimat zu gehen? Alles, was Kontakte sowohl in die alte als auch in die neue Heimat, Orientierung und Information befördert, ist gut. Aber letztendlich geht es darum, anderen mit Wohlwollen und Neugier zu begegnen. Das kann am Bildschirm mittels Technik passieren, aber viel besser tatsächlich in der Wirklichkeit.

Wie bewerten Sie denn den Einsatz von KI in der Migration: Stehen Sie dem eher hoffnungsvoll oder eher sorgenvoll gegenüber?

Ich stehe dem sorgenvoll gegenüber. Ein Beispiel: Es gab in Afghanistan Polizeibildungsprojekte. Für diese wurden von den Teilnehmer:innen Namen, Bilder, Fingerabdrücke, und Scans hinterlegt. Nun fürchtet man, dass all diese Daten in den Händen der Taliban sind. Wenn jemand einen Behördengang macht, kann das tödlich sein. Was wir uns unter biometrischen Datenbanken als Lösung vorstellen, ist ein extremes Zukunftsrisiko.

Ein anderes Beispiel: Das Bundesamt für Migration und Flüchtlinge benutzt seit 2019 eine Spracherkennungs- und Dialekterkennungssoftware. Damit soll festgestellt werden, ob die Menschen wirklich daherkommen, woher sie behaupten. Das ist Unsinn. Das System hat eine extrem hohe Fehlerquote, und Sprachgrenzen halten sich nicht an Ländergrenzen. Und: Tübingen hat seit 2019 eine Liste mit Asylbewerbern, die als „potenziell gefährlich“ gelten. Der Landesdatenschutzbeauftragte hat das nun verboten.

Das zeigt auch nochmal, warum es wichtig ist, bei dem Thema KI und Migration die ethische Perspektive einzubeziehen.

Die Ethik ist wie ein Stück Archäologie. Was für Werte liegen denn eigentlich einem technischen Vorhaben zugrunde? Sie ist genauso ein Stück Zukunftsforschung mit der Frage: Wie verändert sich die Gesellschaft durch solche technischen Lösungen? Ist das wünschenswert? Und sie ist eine Strukturanalyse. Ethik analysiert, welche Voraussetzungen wir brauchen, um eine wünschenswerte Lösung zu erreichen, beispielsweise welche Regelungen, Zertifikate, Bildungsprogramme oder Teilhabe brauchen wir, um tatsächlich in einer guten technisierten Gesellschaft leben zu können.

Bleiben wir zum Abschluss beim ethischen Blick in die Zukunft: Welche KI-Systeme brauchen wir, damit Migration gut gelingen kann? Wo kann Technik eine Lösung bieten?

Wir brauchen tatsächlich intelligente Lösungen für bürokratische Fragen. Wir brauchen intelligente Lösungen für rechtliche Fragen, für sprachliche Fragen zu Bildungsfragen. Wir brauchen auch intelligente Lösungen, um Gerechtigkeit voranzutreiben. Lösungen, in denen nicht Grenzschutz vor Menschenrechte gestellt wird, sondern umgekehrt.

Das geschieht bei der Seenotrettung oder in anderen Situationen, wo flüchtende Menschen dringend auf Hilfe angewiesen sind und wir durch Überwachungstechnologien feststellen können, welche Art von Hilfe wie schnell nötig ist. Aber insbesondere für diesen Kontext Flucht, Vertreibung, Migration müssen wir uns bewusst werden, dass solche Systeme nicht nur für Menschen wie mich gebaut werden – weiß, klar als Frau erkennbar, heterosexuell, wohlhabend –, sondern tatsächlich für alle Menschen.

Ein Artikel von Rebecca Beiter, Cyber Valley Tübingen. Originalartikel

Professor Dr. Regina Ammicht Quinn ist Professorin für Ethik am Internationalen Zentrum für Ethik in den Wissenschaften der Universität Tübingen, und Sprecherin des Zentrums. Außerdem ist sie Vorsitzende des unabhängigen Cyber Valley Public Advisory Board. Das Interview wurde für die schriftliche Version sprachlich überarbeitet und gekürzt; die ausführliche Version können Sie in der aktuellen Ausgabe unseres Podcasts „Direktdurchwahl“ hören, Folge 9: Hilft KI Geflüchteten?

Zum weiteren Interview der Podcastfolge: "Interview über automatisierte Grenzschutzsysteme und dem KI-Einsatz in der Migration"
mit Martin Rubin, ArrivalAidStuttgart.

Lesen Sie hier den gesamten Blog-Beitrag

„Diese Auszeichnung ist für meine Forschung von entscheidender Bedeutung, da sie mir und meinem Team ermöglicht, langfristige Forschungsprojekte anzugehen: die Entwicklung vielseitiger und geschickter Roboter“, sagt Martius.

Der ERC Consolidator Grant richtet sich an begabte Forscher*innen in Europa aller Nationalitäten mit sieben bis zwölf Jahren Erfahrung seit dem Abschluss ihrer Promotion. Nur Wissenschaftler*innen mit einschlägigen Forschungsarbeiten und einem sehr aussichtsreichen Antrag können sich gegen die Vielzahl der Bewerber*innen durchsetzen.

Dies ist Georg Martius mit dem Projekt „Modellbasiertes Reinforcement Lernen für vielseitige Roboter in realen Anwendungen“ – kurz REAL-RL gelungen. Martius und sein Team wollen das Forschungsfeld rund um autonome Roboter, die aus Erfahrungen lernen, erweitern. Indem Roboter lernen, neue und anspruchsvolle Aufgaben selbstständig zu lösen, legen Martius und sein Team den Grundstein dafür, dass Maschinen eines Tages im Alltag der Menschen zuverlässige Partner werden könnten.

Derzeit werden Roboter für eine bestimmte Aufgabe entwickelt und programmiert. Sie können im wahrsten Sinne des Wortes nicht leicht umschalten, wenn sie mit einer anderen Aufgabe betraut werden. Bei REAL-RL verfolgen die Forscher*innen einen lernenden Ansatz zur Robotersteuerung. Die vorherrschende Richtung in diesem Bereich verwendet modellfreie Methoden des sogenannten Reinforcement Learning (verstärkendes Lernen).

Damit ein Roboter lernt, eine neue Aufgabe zu lösen, müsste er eigentlich unglaublich oft mit seiner Umwelt interagieren. Doch das ist oft nicht möglich. Forscher umgehen dieses Problem, indem sie Simulationen der Welt als Trainingsdaten verwenden: sie simulieren alle möglichen Alltagsszenarien. Diese Simulationen erfordern jedoch detaillierte Kenntnisse aller möglichen Situationen, denen der Roboter ausgesetzt sein könnte.

REAL-RL umgeht dieses Problem, indem ein modellbasierter Ansatz vorgeschlagen wird. Modelle der Interaktion mit der Welt ergeben sich aus den Erfahrungen, aus denen der Roboter lernt und die er zur Planung und Anpassung seines Verhaltens während des laufenden Betriebs verwendet. Dieser modellbasierte Ansatz verspricht, wesentlich dateneffizienter zu sein und den Transfer wertvoller Erfahrungen zwischen verschiedenen Aufgaben zu ermöglichen.

„Indem wir eine allgemein gültige Lernmethode entwickeln, die für die Steuerung jedes beliebigen Roboters – ob fest oder weich, mit Beinen, Armen oder wie auch immer – verwendet werden kann, und diese mit jeder Erfahrung besser wird, hoffen wir eine solide Grundlage für künftige Roboteranwendungen zu schaffen“, so Martius abschließend.

Kontakt
Dr. Georg Martius
Max Planck Institut für Intelligente Systeme
Autonomous Learning Group
Max-Planck-Ring 4
72076 Tübingen
georg.martiusspam prevention@tuebingen.mpg.de

Nach einer Pressemitteilung des MPI-IS, Tübingen

Um ihre Rolle besser zu verstehen, entwickelt Philipp Berens mit seinem Team in seinem ERC-Projekt „Next generation mechanistic models of retinal interneurons“ (NextMechMod) eine neue Art von Modellen. Modelle haben in der Geschichte der Erforschung der Informationsverarbeitung im Nervensystem immer eine wichtige Rolle gespielt. Alan Lloyd Hodgkin und Andrew Fielding Huxley erhielten 1963 den Medizinnobelpreis für ihr 1952 vorgestelltes biophysikalisches Modell der Ionenströme bei der Erregung und Hemmung an der Nervenzellmembran. Dieses Modell ist zwar sehr detailliert, aber schwierig an gemessene Daten anzupassen. Dies ist für statistische Modelle leichter, diesen fehlt aber der Bezug zur biologischen Realität.
 

Die Science and Innovation Days finden über die gesamte Stadt verteilt statt, das Programm ist hier zu finden. Die Veranstaltungen sind auf Deutsch.

Die Mitglieder unseres Clusters beteiligen sich mit folgenden Beiträgen:

Mittwoch, 29. Juni 2022

Freitag, 1. Juli 2022

Samstag, 2. Juli 2022

Audrey Namdiero-Walsh ist Director of European Operations bei AIMS, Prof. Franca Hoffmann, ist „Bonn Junior Fellow“ am Exzellenzcluster Hausdorff-Zentrum für Mathematik und AIMS-Carnegie Research Chair in Data Science bei AIMS Rwanda. Bei ihrem Besuch in Tübingen informierten sich die beiden nun über die zahlreichen Forschungsaktivitäten im Bereich des Maschi­nellen Lernens vor Ort. Außerdem stellten die fünf AIMS-Stipendiaten ihre Forschungsprojekte vor, an denen sie während ihres Aufent­halts in Tübingen arbeiten. Im Gespräch mit Rektor Prof. Bernd Engler wurden Möglichkeiten für Kooperationen zwischen der Universität Tübingen und AIMS sowie einer Vertiefung der bestehenden Kooperation mit unserem Cluster ausgelotet.

Philosophen wie Immanuel Kant, Edmund Husserl und Maurice Merleau-Ponty sowie der Kognitionswissenschaftler Donald Hoffman gehen davon aus, dass unsere Wahrnehmung der Realität durch unseren Geist und Körper geformt und gefiltert wird. Nach Baayens Auffassung gilt dies auch für unsere Sprachwahrnehmung, die durch unsere Schriftsysteme gefiltert wird. Abweichungen zwischen Schreibkonventionen und gesprochener Alltagssprache sind für Muttersprachler in der Regel unproblematisch. So kommen englische Muttersprachler beispielsweise damit zurecht, wenn in einer Konversation das Wort „probably“ (deutsch: „wahrscheinlich“) als „prolly“ ausgesprochen wird. Beim Erlernen einer neuen Sprache jedoch könnten solche Diskrepanzen den Zweitspracherwerb unnötig erschweren, so Baayen.

Sein Forschungsprojekt befasst sich mit dem Erlernen von Mandarin-Chinesisch, einer Sprache, in der unterschiedliche Wörter aus denselben Klängen bestehen können, aber je nach Bedeutung in verschiedenen Tonmelodien ausgesprochen werden. Baayen wird im Detail untersuchen, wie Mandarin-Sprecher Wörter tatsächlich aussprechen, mit Fokus darauf, wie sie Tonmelodien einsetzen. Er wird zudem erforschen, wie das einzigartige Schriftsystem des Chinesischen mehrere Bedeutungsebenen erzeugt. Mit Hilfe modernster Methoden der Computermodellierung, der Verteilungssemantik und der statistischen Analyse, wird er untersuchen, wie Form und Bedeutung zusammenpassen, und die Ergebnisse nutzen, um die Methoden des Vokabellernens für Mandarin-Chinesisch als Zweitsprache zu verbessern.

Rolf Harald Baayen hat an der Freien Universität Amsterdam „General Linguistics“ studiert. Nach einer Professur für Quantitative Linguistik an der Radboud-Universität in Nijmegen hatte er ab 2007 an der Universität von Alberta im kanadischen Edmonton eine Professur inne. 2011 kam er im Rahmen einer Humboldt-Professur an die Universität Tübingen. Er gilt als einer der innovativsten Forscher auf dem Gebiet der Wortschatzforschung und der quantitativen Linguistik. Als Pionier der computergestützten und empirischen Sprachforschung und Psycholinguistik hat er grundlegende Beiträge etwa zum Verständnis der menschlichen Sprachfähigkeit und zur Rolle des Gedächtnisses bei der Sprachverarbeitung geleistet.

Nach einer Pressemitteilung der Universität Tübingen, 26.04.2022

Kontakt

Prof. Dr. Harald Baayen
Seminar für Sprachwissenschaft
harald.baayenspam prevention@uni-tuebingen.de
https://www.sfs.uni-tuebingen.de/~hbaayen/
 

Zur Podiumsdiskussion geladen sind Prof. Andreas Jungherr (Politikwissenschaftler, Universität Bamberg), Dr. Simon Schaupp (Soziologe, Universität Basel), Dr. Thomas Grote (Philosoph,  Universität Tübingen) und Prof. Ulrike von Luxburg (Informatikerin, Universität Tübingen). Die Moderation übernimmt die Wissenschaftsjournalistin Eva Wolfangel.  

Mehr Informationen: ai-and-democracy-workshop.de  
Anmeldung unter: ai-and-democracy-workshop.de/podium

Die öffentliche Diskussionsrunde ist gefördert von der CoWorkGroup, dem Exzellenzcluster Maschinelles Lernen für die Wissenschaft und vom CyberValley

Organisation
Larissa Höfling: Co-Organisatorin des Doktorandenworkshops
Ilja Mirsky: Co-Organisator des Doktorandenworkshops
Johannes Freyer: Geschäftsführer Cowork Group GmbH
presse@coworkgroup.de

Das vierjährige Kooperationsprogramm (2022-2025) bietet AIMS-Masterstudierenden die Möglichkeit, sich für einen voll finanzierten sechsmonatigen Forschungsaufenthalt bei einer Forschungsgruppe an unserem Cluster zu bewerben und nach Abschluss ihres MSc ein Projekt in Tübingen zu beginnen.

Weitere Informationen zum Stipendienprogramm und zu AIMS.

Was ist der Schlüssel, um Maschinen zu einer robusten Objekterkennung zu verhelfen? Robert Geirhos' neueste Forschungsergebnisse haben ihn überrascht, wie er in unserem Blog schreibt: Es stellte sich heraus, dass der Schlüsselfaktor nicht die Art des Modells, sondern insbesondere der Umfang der Trainingsdaten war.

Lesen Sie hier den gesamten Blog-Beitrag

„ClinBrAIn“ fördert Medical Scientists schon in der Promotionsphase
Fortschritte in der Künstlichen Intelligenz (KI) haben das Potenzial, die medizinische Forschung und Praxis zu verbessern. Allerdings ist es enorm schwierig, theoretische Erkenntnisse in der KI-Forschung in die medizinische Praxis zu übertragen. Ziel des Else Kröner Medical Scientist Kollegs ClinBrAIn ist es, diese Lücke zu schließen. Es sollen sogenannte Medical Machine Learning-Scientists ausgebildet werden, die in enger Zusammenarbeit mit klinischen Expertinnen und Experten problemoptimierte KI-Methoden für klinische Fragestellungen entwickeln und diese in die klinische Anwendung übertragen.

ClinBrAIn, welches von Prof. Dr. Jakob Macke zusammen mit PD Dr. Kathrin Brockmann und Prof. Dr. Martin Giese geleitet wird, ist eine gemeinsame Initiative von Arbeitsgruppen aus der KI-Forschung (dem Exzellenzcluster Maschinelles Lernen, dem Tübingen AI Center und dem Bernstein Center für Computational Neuroscience Tübingen) und klinischen Gruppen des Universitätsklinikums und des Hertie-Instituts für klinische Hirnforschung. Das Kolleg konzentriert sich auf verschiedene Erkrankungen des Nervensystems, um an einer Reihe von beispielhaften Anwendungen spezifische Methoden zu entwickeln. Diese haben das Potenzial, zu klinisch relevanten Verbesserungen zu führen.

Else Kröner-Fresenius-Stiftung (EKFS) – Forschung fördern. Menschen helfen.
Die gemeinnützige Else Kröner-Fresenius-Stiftung widmet sich der Förderung medizinischer Forschung und unterstützt medizinisch-humanitäre Projekte. Bis heute hat sie rund 2.200 Projekte gefördert. Mit einem jährlichen Fördervolumen von aktuell über 60 Millionen Euro ist sie die größte Medizin fördernde Stiftung Deutschlands. Weitere Informationen finden Sie unter: www.ekfs.de

Nach einer Pressemitteilung der Else Kröner-Fresenius-Stiftung

Wie das funktionieren kann, ein Systeme erklärbar zu machen, schildert sie in unserem neuesten Blog-Beitrag.

Wie beeinflussen die SARS-COV-2-Varianten in Verbindung mit anderen Faktoren den klinischen Verlauf von COVID-19? 
Kommt es im Zusammenhang mit Varianten dazu, dass die Wirkung der Impfung herabgesetzt ist oder Tests weniger gut anschlagen?  
Beeinflussen Varianten die Ausbreitung im schulischen Umfeld, und wenn ja, wie? Können wir eine bessere Test- und Eindämmungsstrategie für die Schulen festlegen? Wie wirken sich die Eindämmungsmaßnahmen, einschließlich Schulschließungen, auf Schülerinnen und Schüler, Lehrerinnen und Lehrer aus?

Das sind einige der Fragen, die die EuCARE-Studie mit Hilfe starker Kompetenzen in der Immunvirologie und der künstliche Intelligenz (KI) zu beantworten versuchen wird. Die Gruppe von Prof. Nico Pfeifer aus unserem Cluster nimmt dabei eine zentrale Rolle im Bereich KI ein.

An der Auftaktsitzung im November nahmen 60 Wissenschaftlerinnen und Wissenschaftler aus Europa und der ganzen Welt sowie Vertreterinnen und Vertreter der WHO teil. Ziel der Zusammenarbeit ist es, Daten gemeinsam zu nutzen und zu standardisieren. Das Projekt wird durch das Forschungs- und Innovationsprogramm Horizon Europe der Europäischen Union finanziert. Weitere Informationen finden Sie auf der Projektwebseite

Liste der akzeptierten Beiträge unserer Mitglieder (alle Beiträge sind hier zu finden):

1. Fine-Grained Zero-Shot Learning with DNA as Side Information.
   Sarkhan Badirli, Zeynep Akata, George Mohler, Christine Picard, Mehmet Dundar
2. Robustness via Uncertainty-aware Cycle Consistency.
   Uddeshya Upadhyay, Yanbei Chen, Zeynep Akata
3. Removing Inter-Experimental Variability from Functional Data in Systems Neuroscience.
   Dominic Gonschorek, Larissa Höfling, Klaudia Szatko, Katrin Franke, Timm Schubert, Benjamin Dunn, Philipp Berens, David Klindt, Thomas Euler
4. How Well do Feature Visualizations Support Causal Understanding of CNN Activations?
   Roland Zimmermann, Judy Borowski, Robert Geirhos, Matthias Bethge, Thomas Wallis, Wieland Brendel
5. Partial success in closing the gap between human and machine vision.
    Robert Geirhos, Kantharaju Narayanappa, Benjamin Mitzkus, Tizian Thieringer, Matthias Bethge, Felix A. Wichmann, Wieland Brendel
6. Sparsely Changing Latent States for Prediction and Planning in Partially Observable Domains.
   Christian Gumbsch, Martin V. Butz, Georg Martius
7. Two steps to risk sensitivity.
   Christopher Gagne, Peter Dayan
8. ATISS: Autoregressive Transformers for Indoor Scene Synthesis.
   Despoina Paschalidou, Amlan Kar, Maria Shugrina, Karsten Kreis, Andreas Geiger, Sanja Fidler
9. Shape As Points: A Differentiable Poisson Solver.
   Songyou Peng, Chiyu Jiang, Yiyi Liao, Michael Niemeyer, Marc Pollefeys, Andreas Geiger
10. Projected GANs Converge Faster.
    Axel Sauer, Kashyap Chitta, Jens Müller, Andreas Geiger
11. On the Frequency Bias of Generative Models.
    Katja Schwarz, Yiyi Liao, Andreas Geiger
12. MetaAvatar: Learning Animatable Clothed Human Models from Few Depth Images.
    Shaofei Wang, Marko Mihajlovic, Qianli Ma, Andreas Geiger, Siyu Tang
13. Statistical Undecidability in Linear, Non-Gaussian Causal Models in the Presence of Latent Confounders.
    Konstantin Genin
14. An Infinite-Feature Extension for Bayesian ReLU Nets That Fixes Their Asymptotic Overconfidence.
    Agustinus Kristiadi, Matthias Hein, Philipp Hennig
15. Meta-Learning the Search Distribution of Black-Box Random Search Based Adversarial Attacks.
    Maksym Yatsura, Jan Metzen, Matthias Hein
16. Laplace Redux - Effortless Bayesian Deep Learning.
    Erik Daxberger, Agustinus Kristiadi, Alexander Immer, Runa Eschenhagen, Matthias Bauer, Philipp Hennig
17. Cockpit: A Practical Debugging Tool for the Training of Deep Neural Networks.
    Frank Schneider, Felix Dangel, Philipp Hennig
18. Linear-Time Probabilistic Solution of Boundary Value Problems.
    Nicholas Krämer, Philipp Hennig
19. A Probabilistic State Space Model for Joint Inference from Differential Equations and Data.
    Jonathan Schmidt, Nicholas Krämer, Philipp Hennig
20. Neural-PIL: Neural Pre-Integrated Lighting for Reflectance Decomposition.
    Mark Boss, Varun Jampani, Raphael Braun, Ce Liu, Jonathan Barron, Hendrik Lensch
21. Hierarchical Reinforcement Learning with Timed Subgoals.
    Nico Gürtler, Dieter Büchler, Georg Martius
22. Causal Influence Detection for Improving Efficiency in Reinforcement Learning.
    Maximilian Seitzer, Bernhard Schölkopf, Georg Martius
23. Planning from Pixels in Environments with Combinatorially Hard Search Spaces.
    Marco Bagatella, Miroslav Olšák, Michal Rolínek, Georg Martius
24. Dynamic Inference with Neural Interpreters.
    Nasim Rahaman, Muhammad Waleed Gondal, Shruti Joshi, Peter Gehler, Yoshua Bengio, Francesco Locatello, Bernhard Schölkopf
25. The Inductive Bias of Quantum Kernels.
    Jonas Kübler, Simon Buchholz, Bernhard Schölkopf
26. Self-Supervised Learning with Data Augmentations Provably Isolates Content from Style.
    Julius von Kügelgen, Yash Sharma, Luigi Gresele, Wieland Brendel, Bernhard Schölkopf, Michel Besserve, Francesco Locatello
27. Iterative Teaching by Label Synthesis.
    Weiyang Liu, Zhen Liu, Hanchen Wang, Liam Paull, Bernhard Schölkopf, Adrian Weller
28. DiBS: Differentiable Bayesian Structure Learning.
    Lars Lorch, Jonas Rothfuss, Bernhard Schölkopf, Andreas Krause
29. Independent mechanism analysis, a new concept?
    Luigi Gresele, Julius von Kügelgen, Vincent Stimper, Bernhard Schölkopf, Michel Besserve
30. Backward-Compatible Prediction Updates: A Probabilistic Approach.
    Frederik Träuble, Julius von Kügelgen, Matthäus Kleindessner, Francesco Locatello, Bernhard Schölkopf, Peter Gehler
31. Regret Bounds for Gaussian-Process Optimization in Large Domains.
    Manuel Wuethrich, Bernhard Schölkopf, Andreas Krause
32. A flow-based latent state generative model of neural population responses to natural images.
    Mohammad Bashiri, Edgar Walker, Konstantin-Klemens Lurz, Akshay Jagadish, Taliah Muhammad, Zhiwei Ding, Zhuokun Ding, Andreas Tolias, Fabian Sinz
33. Towards robust vision by multi-task learning on monkey visual cortex.
    Shahd Safarani, Arne Nix, Konstantin Willeke, Santiago Cadena, Kelli Restivo, George Denfield, Andreas Tolias, Fabian Sinz

„Wir möchten nicht nur die Grundlagen des maschinellen Lernens verbessern, sondern auch Leitlinien für eine Zertifizierung solcher KI-Systeme aufstellen und dadurch einen sicheren Einsatz in der Medizin ermöglichen“, sagt der Sprecher des Projekts, Professor Matthias Hein. „Das KI-Forschungsumfeld in Tübingen bietet dazu ideale Voraussetzungen, da hier die dafür benötigte Expertise in einmaliger Breite in Deutschland vorhanden ist. Wir sind sehr froh und dankbar über das Vertrauen der Carl-Zeiss-Stiftung. Diese Förderung bringt die Forschung an der Schnittstelle von KI und Medizin an der Universität Tübingen strukturell entscheidend voran.“

Projektpartner sind die Abteilungen für Radiologie und Augenheilkunde des Universitätsklinikums Tübingen (UKT). Der TÜV SÜD und das TÜV AI.LAB werden sich als Kooperationspartner bei der Entwicklung von Zertifizierungsprotokollen einbringen. Darüber hinaus unterstützen drei Medizin-Start-ups das Projekt mit Daten und konkreten Anwendungsfällen: die beiden Tübinger Unternehmen AIRAmed und eye2you, beides Mitglieder des Cyber Valley Start-up Networks, sowie die Berliner Firma Vara, die KI-Systeme zur Erkennung von Brustkrebs entwickelt.

Seit der Gründung von Cyber Valley Ende 2016 hat sich die KI-Forschungsregion Stuttgart/Tübingen zu einem dynamischen Ökosystem entwickelt, mit neu eingerichteten Professuren, Forschungsgruppen, Industrieforschungslaboren, Promotionsprogrammen und Deutschlands erstem internationalen Masterstudiengang für maschinelles Lernen – auch dank der Etablierung des BMBF-Kompetenzzentrums für Maschinelles Lernen (Tübingen AI Center) und des Exzellenzclusters „Maschinelles Lernen: Neue Perspektiven für die Wissenschaft“ sowie des starken Engagements des Max-Planck-Institut für Intelligente Systeme (MPI-IS). Folgerichtig engagieren sich Forschende aus all diesen Institutionen im Projekt „Certification and Foundations of Safe Machine Learning Systems in Healthcare“. Hinzu kommen weitere Wissenschaftlerinnen und Wissenschaftler aus dem Institut für Augenheilkunde, dem Zentrum für Quantitative Biologie, dem Fachbereich Informatik, dem UKT sowie aus der Arbeitsgruppe „Ethik und Philosophie in der künstlichen Intelligenz“ des Exzellenzclusters.

Nach einer Pressemitteilung der Universität Tübingen, 11.11.2021

Mit dieser offenen Ausschreibung wollen wir neue Projekte an der Schnittstelle zwischen maschinellem Lernen und anderen wissenschaftlichen Disziplinen fördern. Als Research Fellow in unserem Cluster wollen wir dir ein möglichst hohes Maß an Unabhängigkeit geben, ge-
                                                                                                             forscht werden kann an einem selbst gewählten Thema.

Bewerbungsschluss ist der 15. Dezember.

Alle Infos zur Ausschreibung gibt es auf unserer Stellenseite.

„Ein großes Dankeschön an alle Mitarbeitenden und an die Jury für diese Auszeichnung“, sagte Geiger. „Die Entwicklung eines solchen Datensatzes ist mit großer Hingabe und reichlich Anstrengungen verbunden. So etwas lässt sich nur mit einem engagierten Team bewerkstelligen. KITTI wurde seit der ersten Veröffentlichung 2012 stetig weiterentwickelt, getrieben durch die Bedürfnisse der Computer-Vision-Community, und wurde inzwischen mehr als 7.500 Mal in wissenschaftlichen Arbeiten zitiert. Insofern trägt der Everingham-Preis der weitreichenden Tragweite unserer Arbeit Rechnung.“

Die kontinuierliche Weiterentwicklung von KITTI hat inzwischen in den kürzlich veröffentlichten Datensatz KITTI-360 gemündet, welcher 360-Grad-Sensoren und semantischen 3D-Annotationen beinhaltet. Der Everingham-Preis ist nach dem 2012 verstorbenen Wissenschaftler Mark Everingham benannt. Der Brite galt als einer der führenden Computer-Wissenschaftler seiner Generation, der nicht nur sehr erfolgreich publizierte sondern auch treibende Kraft hinter dem PASCAL-VOC-Projekt war, welches erstmals große standardisierte Datensätze und Benchmarks für Objekterkennung zur Verfügung gestellt und dadurch, ebenso wie der jetzt mit dem Everingham-Preis gekürte KITTI-Datensatz, das Forschungsgebiet Computer Vision nachhaltig beeinflusst hat.

The KITTI Vision Benchmark Suite auf Youtube

Nach einer Pressemitteilung des Cyber Valley vom 27.10.2021

Bei der Verleihung der 12. und 13. Ausgabe der BBVA Foundation Frontiers of Knowledge Awards im Euskalduna-Konferenzzentrum in Bilbao wurde der Wert von Wissenschaft und Kultur bei der Bewältigung der großen globalen Herausforderungen hervorgehoben, vor denen die Menschheit über die Pandemie hinaus steht, darunter die Umweltkatastrophe, der tiefgreifende technologische Wandel und die Gefahr neuer Wirtschaftskrisen.

Vollständige Meldung (nur auf Englisch)

Interview mit Cluster-Mitglied Bernhard Schölkopf auf Youtube

Nach einer Pressmitteilung des Cyber Valley vom 21. September 2021

Weitere Informationen auf der Webseite von Felix Wichman's Arbeitsgruppe

Die diesjährige Preisverleihung fand im Rahmen der 43. German Conference on Pattern Recognition statt, der jährlichen Fachtagung der DAGM, die im Oktober 2021 in Bonn abgehalten wurde. Die Konferenz ist ein international bedeutendes Forum für die neuesten Fortschritte in der Mustererkennung, einschließlich Bildverarbeitung, maschinellem Lernen und Computer Vision.
Besuchen Sie den Youtube-Kanal der DAGM, um den Vortrag zur Preisverleihung von Zeynep Akata zu hören.

GIRAFFE2021CVPR.pdf

Bei dem Paper der beiden Tübinger Wissenschaftler handelt es sich um Grundlagenforschung auf dem Gebiet des maschinellen Sehens. Niemeyer und Geiger beschreiben darin eine von ihnen entwickelte Methode, mit der es Computern nun erstmals möglich ist, verschiedene dreidimensionale Objekte auf zweidimensionalen Bildern (z. B. Fotos) selbständig zu identifizieren.

„Unser Ziel ist, dass Computer selbst erlernen, wie Bilder – wir sprechen hier von Szenen – aufgebaut sind“, sagt Niemeyer, Hauptautor der Arbeit und Promotionsstudent an der International Max Planck Research School for Intelligent Systems (IMPRS-IS), der Cyber Valley Graduiertenschule. „Der Computer soll also erkennen, welche dreidimensionalen Objekte sich auf einem Foto befinden, das heißt wie eine Szene strukturiert ist.“ Während die meisten gängigen Ansätze auf zweidimensionalen Datensätzen beruhen und die abgebildeten Szenen nicht dreidimensional erfassen, erkennt das neue Modell von Niemeyer und Geiger, GIRAFFE, die abgebildeten Objekte dreidimensional und ermöglicht so alle möglichen unterschiedlichen Blickwinkel auf die selbe Szene.

Konkret bedeutet das: Ein einfaches Foto, auf dem beispielsweise ein Auto vor einem Haus parkend abgebildet ist, kann als Basis dienen, um das Auto nicht nur von vorne, sondern auch aus weiteren Blickwinkeln vor dem Haus zu betrachten. Darüber hinaus kann die Position des Autos im Bild beliebig verschoben werden und dadurch jeweils unterschiedliche Teile des Hauses verdecken bzw. den Blick darauf freigeben. „Das meinen wir mit ‚compositional‘ – unser Computermodell erfasst die Struktur der abgebildeten Szene. Es erkennt das Auto im Vordergrund als ein Objekt und das Haus im Hintergrund als ein weiteres“, sagt Niemeyer.

Darüber hinaus bietet GIRAFFE mehr Kontrolle bei der Bildgenerierung. So kann beispielsweise die Form eines abgebildeten Objekts beliebig verändert werden. Dies könnte künftig unter anderem bei der Erzeugung virtueller Umgebungen für eine deutlich realistischere Darstellung sorgen. „Unser Paper ist eine Grundlagenarbeit“, betont Niemeyer. „Andere Forschende könnten auf dieser Basis sicherere KI-Anwendungen konstruieren, da diese nun, dank eines besseren Verständnisses ihrer Umgebung, bessere Entscheidungen treffen können.“ Ein denkbares Anwendungsfeld wäre hier beispielsweise das autonome Fahren, bei dem die Computersysteme der Autos künftig besser erfassen könnten, welche Objekte sich in ihrer Umgebung befinden – und so präzisere Rückschlüsse auf die Eigenschaften und Verhaltensweisen dieser Objekte ziehen können. Zudem ermöglicht Niemeyer und Geigers Modell eine verbesserte künstliche Erzeugung von Daten, da es nur zweidimensionale Fotos als Ausgangsbasis benötigt. Demnach könnten KI-Systeme künftig in einer künstlich erzeugten Umgebung trainiert werden.

Die CVPR ist eine der prestigeträchtigsten internationalen Forschungskonferenzen überhaupt und gilt als die wichtigste Fachkonferenz insbesondere im Bereich des maschinellen Sehens. Lediglich etwa ein Viertel der rund 7.000 eingereichten Fachartikel werden zur Konferenz zugelassen. Mit insgesamt 27 akzeptierten Beiträgen und vier Best-Paper-Nominierungen sind Cyber Valley Forschende in diesem Jahr auf der CVPR besonders stark in der Weltspitze der KI-Grundlagenforschung vertreten.

„Meine Forschungsgruppe hat bereits mehrere Arbeiten veröffentlicht, die sich mit dem Erlernen von geeigneten 3D-Repräsentationen mit neuronalen Netzen befassen und die in der Computer-Vision-Community vielfach beachtet wurden“, sagt Geiger. „Darauf baute auch das nun ausgezeichnete Paper auf.“ Trotzdem haben Geiger und Niemeyer nicht mit dieser besonderen Auszeichnung bei der CVPR 2021 gerechnet. „Dass unser Paper zur Konferenz zugelassen wurde, war schon ein Erfolg an sich“, sagt Niemeyer. „Wir sind wirklich sehr überrascht, dass unsere wissenschaftliche Arbeit nun unter all den Einreichungen als die beste ausgezeichnet wurde. Umso mehr freuen wir uns über diese herausragende Anerkennung!“

Weiterführende Informationen

Pressemitteilung des Max Planck Instituts für Intelligente Systeme Tübingen, 26. Juni 2021

Der Blog hat drei verschiedene Kategorien:

1. Neueste Forschung ist der Bereich, in dem die Clustergruppen ihre aktuellen Veröffentlichungen einer breiten wissenschaftlichen Öffentlichkeit vorstellen.
2. Die Debatte-Texte sind Meinungsbeiträge von einzelnen Autorinnen und Autoren oder Autorengruppen. Die Idee ist, über Aspekte des maschinellen Lernens zu diskutieren, die einen Einfluss auf die Gesellschaft und die Wissenschaft haben. 
3.  Die Science Storys richten sich an die allgemeine, interessierte Öffentlichkeit. Hier stellen wir Wissenschaftlerinnen und Wissenschaftler aus unserem Cluster vor und geben Einblicke in ihre Motivation und ihre Arbeit.

Einfach reinschauen unter https://www.machinelearningforscience.de/

Für eine bestimmte Bevölkerung lassen sich erwartete Sterbezahlen über die kommenden Monate und Jahre berechnen auf der Grundlage der entsprechenden Daten aus vergangenen vergleichbaren Zeitspannen. Pandemien, Kriege sowie Natur- oder menschengemachte Katastrophen verursachen zusätzliche Tote über die erwarteten Zahlen hinaus.

Öffentlich verfügbare Datensammlung

„Die Sterbedaten sind unabhängig von zahlreichen anderen Aspekten und dadurch sehr aussagekräftig“, sagt Ariel Karlinsky. „Bis jetzt gab es jedoch keine globale, aktuell gehaltene Sammlung dieser Zahlen.“ Um diese Lücke zu füllen, haben Ariel Karlinsky und Dmitry Kobak wöchentliche, monatliche und vierteljährliche Sterbedaten aus 103 Ländern und Regionen gesammelt, die sie im World Mortality Dataset öffentlich verfügbar gemacht haben. Sie selbst nutzten diese Daten, um die Sterblichkeitsraten der einzelnen Länder während der COVID-19-Pandemie zu erfassen.

„Uns hat interessiert, ob eine Übersterblichkeit durch die Pandemie zu verzeichnen war, und wenn ja, in welchem Umfang – und ob die Zahlen über die Länder hinweg vergleichbar waren“, sagt Karlinsky. Die Analysen ergaben, dass in einigen der Länder, die am schlimmsten von COVID-19 betroffen waren – vor allem Peru, Ekuador, Bolivien und Mexiko – die Übersterblichkeit bei mehr als 50 Prozent der zu erwartenden jährlichen Sterblichkeitsrate lag oder bei mehr als 400 zusätzlichen Toten pro 100.000 Einwohner in Peru, Bulgarien, Nordmazedonien und Serbien. Zugleich lag die Sterblichkeit in Ländern wie Australien und Neuseeland während der Pandemie unter dem üblichen Level. Die Autoren gehen davon aus, dass dies durch die Abstands- und Hygieneregeln zustande kam, was die Tode durch andere Infektionen als COVID-19 reduzierte. Sie stellten außerdem fest, dass zwar viele Länder genaue COVID-19-Sterbedaten übermittelten, andere aber – darunter Nicaragua, Weißrussland, Ägypten und Usbekistan – nur weniger als ein Zehntel der tatsächlichen Pandemietoten meldeten.

Relativ geringe Übersterblichkeit in Deutschland

Der Studie zufolge lag die Übersterblichkeit in Deutschland in der Pandemie bisher bei rund 40.000 Verstorbenen. „Das sind viel weniger als die 90.000 offiziell gemeldeten Toten durch COVID-19“, sagt Kobak. Wahrscheinlich seien die Sterbezahlen bei anderen Atemwegserkrankungen während der Wintermonate gesunken. Bei 50 zusätzlichen Toten pro 100.000 Einwohnern habe Deutschland in der Pandemie eine viel geringere Übersterblichkeit erfahren als umliegende europäische Länder (Niederlande: 110; Belgien: 140; Frankreich: 110; Schweiz: 100; Österreich: 110, Tschechien: 320; Polen: 310) – ausgenommen Dänemark, das keine Übersterblichkeit verzeichnete.

„Insgesamt erhalten wir durch unsere Ergebnisse ein umfassendes Bild der Folgen der COVID-19-Pandemie. Wir hoffen, dass wir so ein besseres Verständnis der Pandemie erlangen und sich der Erfolg verschiedener Eindämmungsmaßnahmen besser erfassen lässt“, sagt Kobak. „Unser Datenbestand soll auch anderen Forschern helfen, ihre Fragen zur Pandemie zu beantworten.“ Der World Mortality Dataset solle ausgebaut und weiterhin aktualisiert werden.

Publikation:

Ariel Karlinsky and Dmitry Kobak: Tracking excess mortality across countries during the COVID-19 pandemic with the World Mortality Dataset. eLife,

https://doi.org/10.7554/eLife.69336 

Dmitry Kobak ist Mitarbeiter in der Forschungsgruppe unseres Cluster-Sprechers Philipp Berens.

[Pressmitteilung der Universität Tübingen vom 03. August 2021]

Wir freuen uns, dass zwei unserer Cluster-Doktoranden, deren Projekte vom Cluster gefördert werden, einen Preis beim Bootcamp gewonnen haben: Jakob Schlör hat einen Preis für seine Posterpräsentation gewonnen und Matthias Karlbauereinen Preis für seinen Lightning Talk.

Diese Ausgabe zu Maschinellem Lernen in der digitalen Landwirtschaft bietet eine internationale Dokumentation von Fortschritten in der Entwicklung und Anwendung von maschinellem Lernen zur Lösung von Problemen in landwirtschaft-lichen Disziplinen wie Boden- und Wassermanagement. Neue Methoden, neue Anwendungen, vergleichende Analysen von Modellen, Fallstudien und State-of-the-Art-Review-Artikel zu Themen, die sich mit Fortschritten beim Einsatz von maschinellem Lernen in der Landwirtschaft befassen, sind besonders willkommen.

Weitere Informationen unter:

https://www.mdpi.com/journal/agronomy/special_issues/Machine-Digital

Während in den ersten beiden Ausschreibungsrunden Projekte mit einer Kooperation zwischen zwei Arbeits­gruppen gefördert wurden, die verschiedene Bereiche oder Disziplinen abdecken, lag der Fokus in der Ausschreibung 2020 auf der Einrichtung von Mini Graduate Schools, die aus mehreren Teilprojekten bestehen. Die Idee ist, dass mehrere Arbeitsgruppen gemeinsam an einer größeren Forschungsfrage arbeiten, die für den Cluster relevant ist und einen sichtbaren Output generieren.

Erfolgreich waren in diesem Jahr 5 MiniGrad Schools mit je 4 Teilprojekten und ein Einzelprojekt, die nun eine Förderung über 3 Jahre erhalten:
 

• MiniGrad School "Compositionality in Minds and Machines"
  Zeynep Akata, Matthias Bethge, Martin Butz, Peter Dayan, Enkelejda Kasneci, Eric Schulz, Felix Wichmann, Charley Wu
• MiniGrad School „Machine Learning in Education“
  Álvaro Tejero-Cantero, Benjamin Nagengast, Bob Williamson, Charley Wu, Detmar Meurers, Enkelejda Kasneci, Konstantin Genin, Kou Murayama, Thomas Grote, Ulf Brefeld, Ulrich Trautwein
• MiniGrad School „Modeling and Understanding Spatiotemporal Environmental Interactions - MUSTEIN“
  Martin Butz, Volker Franz, Bedartha Goswami, Hendrik Lensch, Nicole Ludwig, Georg Martius, Thomas Scholten, Carl-Johann Simon-Gabriel, Christiane Zarfl
• MiniGrad School „Probabilistic Inference in Mechanistic Models - PIMMS“
  Philipp Berens, Manfred Claassen, Reinhard Drews, Todd Ehlers, Jakob Macke
• MiniGrad School „Uncovering the inner structure of medical images through generative modeling“
  Christian Baumgartner, Philipp Berens, Sergios Gatidis, Matthias Hein, Hendrik Lensch, Jakob Macke, Bernhard Schölkopf
• Einzelprojekt „Inductive bias of learning algorithms in climate science“
  Bedartha Goswami, Ulrike von Luxburg

Detaillierte Information zu den Projekten gibt es auf unsere Clusterseite
     „Innovation Fund Projekte“

Christian Baumgartner war zuletzt Post-Doc bei Prof. Konukoglu in der Biomedical Image Computing Group an der ETH Zürich (2017-2019). Dort fokussierte er sich auf generative Modellierung und deren Anwendung auf Themen wie Unsicherheitsabschätzung bei der Bildsegmentierung, Lernen aus knappen Daten und Rekonstruktion von Magnet-resonanzbildern.  Vor seinem Beitritt zum Exzellenzcluster war Christian Baumgartner als Senior Research Engineer bei PTC Vuforia (2020-2021) tätig, mit Schwerpunkt Deep Learning und Computer Vision.

Weitere Informationen unter "Maschinelles Lernen in der medizinischen Bildanalyse" contenteditable="false".

Wenn Sie Nicole unterstützen möchten, können Sie hier bis zum 7. März für sie stimmen.