Bestehende Machine-Learning-Modelle basieren typischerweise auf Korrelationen, aber nicht auf Kausalität. Dies kann zu Fehlern und letztendlich schlechter Performance führen. Um dies zu adressieren, zielen wir darauf ab, neuartige Methoden zur Integration von Kausalität in Machine-Learning-Modelle zu entwickeln. Innerhalb vom Verbundprojekt CausalNet entwickeln wir kausales Machine Learning (ML) in Richtung Flexibilität, Effizienz und Robustheit: (1) Flexibilität: Wir entwickeln ein allgemeines kausales MLModell, einschließlich hochdimensionaler, zeitlicher und multimodaler Daten. (2) Effizienz: Wir entwickeln Techniken für effiziente Lernalgorithmen (z. B. synthetisches Vor-Training, Transferlernen und Few-Shot-Learning), die speziell auf kausales ML zugeschnitten sind. (3) Robustheit: Wir erstellen neue Benchmark- Umgebungen/Datensätze. Wir entwickeln auch neue Techniken zur Überprüfung und Verbesserung der Robustheit von kausalem ML. (4) Open-Source: Wir füllen Lücken in den Tools für kausales ML, um die Verbreitung in der Industrie zu stärken. (5) Anwendungen in der realen Welt: Wir demonstrieren Leistungssteigerungen durch kausales ML in Wirtschaft, öffentlichem Sektor und Bioinformatik für wissenschaftliche Entdeckungen.
Die anhaltende Erwärmung des Erdklimas durch den vom Menschen verursachten Klimawandel verändert unser Wetter grundlegend. Traditionell werden Wettervorhersagen basierend auf numerischen Modellen getroffen, sogenannte Numerical Weather Predictions (NWP). Datengetriebene Modelle des maschinellen Lernens und insbesondere tiefe neuronale Netze bieten als Surrogatmodelle das Potential zur schnellen und (energie) effizienten Emulation von NWP Modellen. Im Rahmen des Projektes SmartWeather21 wollen wir untersuchen, welche DL-Architektur für NWP sich am besten für die Wettervorhersage in einem wärmeren Klima eignet, basierend auf den hochaufgelösten Klimaprojektionen, die im Rahmen von WarmWorld mit ICON erstellt werden. Um die hohen Auflösungen des WarmWorld Klimaprojektionen mit einzubeziehen, werden wir daten- und modellparallelen Ansätzen und Architekturen für die Wettervorhersage in einem wärmeren Klima entwickeln. Darüber hinaus werden wir untersuchen welche (lernbaren Kombinationen von) Variablen aus den ICON Klimaprojektionen die beste, physikalisch plausible Vorhersagegenauigkeit für die Wettervorhersage in einem wärmeren Klima bieten. Unter diesem Aspekt entwickeln wir Dimensionsreduktionstechniken für die verschiedenen Eingangsvariablen, die als Upstream- Task eine latente, niedrig-dimensionalere Darstellung basierend auf der Genauigkeit der Downstream Wettervorhersage lernen. Die erhöhte räumliche Auflösung der ICON Simulationen erlauben außerdem Rückschlüsse auf die Unsicherheiten einzelner Eingangs- und Ausgangsvariablen bei niedrigeren Auflösungen zu ziehen. Im Rahmen von SmartWeather21 werden wir Methoden entwickeln, die diese Unsicherheiten durch Wahrscheinlichkeitsverteilungen parametrisieren und als Eingangsvariablen mit niedrigerer räumlicher Auflösung in DL-basierten Wettermodellen verwenden. Diese können im Rahmen probabilistischer Vorhersagen durch das Modell propagiert werden.
Solarturmkraftwerke spielen eine Schlüsselrolle bei der Erleichterung der laufenden Energiewende, da sie regelbaren klimaneutralen Strom und direkte Wärme für chemische Prozesse liefern. In dieser Arbeit entwickeln wir einen heliostatspezifischen differenzierbaren Raytracer, der den Energietransport am Solarturm datengesteuert modellieren kann. Dies ermöglicht eine Rekonstruktion der Heliostatoberfläche und verbessert so die Vorhersage der Bestrahlungsstärke drastisch. Darüber hinaus reduziert ein solcher Raytracer auch die erforderliche Datenmenge für die Ausrichtungskalibrierung drastisch. Damit ist das Lernen für einen vollständig KI-betriebenen Solarturm prinzipiell machbar. Das angestrebte Ziel ist die Entwicklung eines ganzheitlichen KI-gestützten digitalen Zwillings des Solarkraftwerks für Design, Steuerung, Vorhersage und Diagnose auf Basis des physikalisch differenzierbaren Raytracers. Alle Betriebsparameter im Solarfeld, die den Energietransport beeinflussen, können damit optimiert werden. Erstmals ist eine Gradienten-basierte Feldgestaltung, Zielpunktsteuerung und Ist-Zustandsdiagnose möglich. Durch die Erweiterung um KI-basierte Optimierungstechniken und Reinforcement-Learning-Algorithmen soll es möglich sein, reale, dynamische Umgebungsbedingungen mit geringer Latenz auf den Zwilling abzubilden. Schließlich sind aufgrund der vollständigen Differenzierbarkeit auch visuelle Erklärungen für die operativen Handlungsvorhersagen möglich. Die vorgeschlagene KI-gestützte digitale Zwillingsumgebung wird in einem realen Kraftwerk in Jülich verifiziert. Seine Gründung markiert einen bedeutenden Schritt in Richtung eines vollautomatischen Solarturmkraftwerks.
Das Gesamtziel dieses Projektes ist die Verbesserung der radiologischen Diagnostik des humanen Prostatakarzinoms in der klinischen MRT durch die KI-basierte Ausnutzung von Informationen aus höher auflösenden Modalitäten. Dabei werden wir die Brillanz der HiP-CT Bildgebung an der Beamline 18 und eine erweiterte Histopathologie der gesamten Prostata nutzen, um die Interpretation von MRT-Bildern im Rahmen eines Forschungsprototypen zu optimieren. Parallel dazu ist die Korrelation der Bilddaten mit den molekularen Eigenschaften der Tumore zum besseren Verständnis invasiver Tumorstrukturen geplant. Eine interaktive Multiskalenvisualisierung über alle Modalitäten hinweg bildet die Grundlage, die immensen Datenmengen anschaulich zu vermitteln. Als Ergebnis soll am Ende der dreijährigen Projektphase unter Berücksichtigung neuartiger KI-Algorithmen die konventionelle radiologische Anwendung der Magnetresonanztomographie (MRT) in einen diagnostischen Standard transferiert werden, der auch bisher häufig fehlerhaft diagnostizierte Patienten mit invasiven Prostatatumoren zuverlässig erkennt. Mittelfristig wäre demzufolge von einer substantiellen Verbesserung der Versorgung von Patienten mit einem fortgeschrittenen Prostatakarzinom auszugehen. Darüber hinaus werden wir den im Projekt erstellten, einzigartigen multimodalen Datensatz inklusive Visualisierungswerkzeugen als Open Data zur Verfügung stellen, um so weitere Studien zum besseren Verständnis des Prostatakarzinoms zu ermöglichen, die potentiell zu neuartigen Diagnostik- und Therapieansätzen führen könnten.
Das Projekt "ICON-SmART" befasst sich mit der Rolle von Aerosolen und atmosphärischer Chemie für die Simulation von saisonalen bis dekadischen Klimaschwankungen und -änderungen. Zu diesem Zweck wird das Projekt die Fähigkeiten des gekoppelten Kompositions-, Wetter- und Klimamodellierungssystems ICON-ART (ICON, ikosaedrisches nicht-hydrostatisches Modell - entwickelt von DWD, MPI-M und DKRZ mit dem Atmosphärenzusammensetzungsmodul ART, Aerosole und reaktive Spurengase - entwickelt vom KIT) für sonale bis dekadische Vorhersagen und Klimaprojektionen in nahtlosen globalen bis regionalen Modellkonfigurationen mit ICON-Seamless-ART (ICON-SmART) untersuchen. Auf der Grundlage früherer Arbeit ist die Chemie ein vielversprechender Kandidat für eine Beschleunigung durch maschinelles Lernen. Darüber hinaus wird das Projekt Ansätze des maschinellen Lernens für andere Prozesse untersuchen. Das ICON-SmART-Modellsystem wird Wissenschaftlern, Prognostikern und politischen Entscheidungsträgern ein neuartiges Instrument zur Untersuchung der atmosphärischen Zusammensetzung in einem Klima zu untersuchen, und ermöglicht es uns, Fragen zu beantworten, die bisher unerreichbar waren.
In diesem Projekt werden künstliche neuronale Netze bei einem inversen Designproblem eingesetzt, bei dem es darum geht, nanostrukturierte Materialien mit bedarfsgerechten optischen Eigenschaften zu finden. Um dieses Ziel zu erreichen, müssen große Datenmengen aus 3D-Simulationen der Maxwell-Gleichungen generiert werden, was dies zu einem datenintensiven Rechenproblem macht. Es werden maßgeschneiderte Algorithmen entwickelt, die sowohl den Lernprozess als auch die effiziente Inversion berücksichtigen. Das Projekt ergänzt die Forschungsarbeiten des SDL Materials Science zu KI-Methoden, großen durch Simulationen erzeugten Datensätzen und Arbeitsabläufen.
The ASSAS project aims at developing a proof-of-concept SA (severe accident) simulator based on ASTEC (Accident Source Term Evaluation Code). The prototype basic-principle simulator will model a simplified generic Western-type pressurized light water reactor (PWR). It will have a graphical user interface to control the simulation and visualize the results. It will run in real-time and even much faster for some phases of the accident. The prototype will be able to show the main phenomena occurring during a SA, including in-vessel and ex-vessel phases. It is meant to train students, nuclear energy professionals and non-specialists. In addition to its direct use, the prototype will demonstrate the feasibility of developing different types of fast-running SA simulators, while keeping the accuracy of the underlying physical models. Thus, different computational solutions will be explored in parallel. Code optimisation and parallelisation will be implemented. Beside these reliable techniques, different machine-learning methods will be tested to develop fast surrogate models. This alternate path is riskier, but it could drastically enhance the performances of the code. A comprehensive review of ASTEC's structure and available algorithms will be performed to define the most relevant modelling strategies, which may include the replacement of specific calculations steps, entire modules of ASTEC or more global surrogate models. Solutions will be explored to extend the models developed for the PWR simulator to other reactor types and SA codes. The training data-base of SA sequences used for machine-learning will be made openly available. Developing an enhanced version of ASTEC and interfacing it with a commercial simulation environment will make it possible for the industry to develop engineering and full-scale simulators in the future. These can be used to design SA management guidelines, to develop new safety systems and to train operators to use them.
Das Projekt EQUIPE beschäftigt sich mit der Quantifizierung von Unsicherheiten in großen Transformer-Modellen für die Zeitreihen-Vorhersage. Die Transformer-Architektur ist zwar in der Lage eine erstaunlich hohe Vorhersagegenauigkeit zu erzielen, benötigen jedoch immense Mengen an Rechenressourcen. Gängige Ansätze der Fehlerabschätzung in neuronalen Netzen sind in gleichem Maße rechenintensiv, was ihren Einsatz in Transformern derzeit noch erheblich erschwert. Die Forschungsarbeiten im Rahmen von EQUIPE zielen darauf ab, diese Probleme zu beheben, und skalierbare Algorithmen zur Quantifizierung von Unsicherheiten in großen neuronalen Netzen zu entwickeln .Dadurch wird perspektivisch der Einsatz der Methoden in Echtzeit-Systemen ermöglicht.
iMagine ist ein von der EU gefördertes Projekt, das ein Portfolio von frei nutzbaren Bilddatensätzen, leistungsstarken Bildanalysewerkzeugen, die mit mit künstlicher Intelligenz (KI) und Best-Practice-Dokumente für die wissenschaftliche Bildanalyse. Diese Dienste und Materialien ermöglichen eine bessere und effizientere Verarbeitung und Analyse von Bilddaten in der Meeres- und Süßwasserforschung, die für das übergreifende Thema 'Gesunde Ozeane, Meere, Küsten- und Binnengewässer' relevant sind.
Das Projekt AI4EOSC (Artificial Intelligence for the European Open Science Cloud) ist ein von der EU finanziertes Projekt, das eine Reihe von erweiterten und fortschrittliche Dienste für die Entwicklung von AI/ML/DL-Modellen und Anwendungen in der European Open Science Cloud (EOSC) zur Verfügung stellt. Diese Dienste sind in einer umfassenden Plattform gebündelt, die moderne Funktionen wie verteiltes, föderiertes und geteiltes Lernen, neuartige Provenance-Metadaten für KI/ML/DL-Modelle sowie ereignisgesteuerte Datenverarbeitungsdienste. Das Projekt baut auf den Ergebnissen der DEEP-Hybrid-DataCloud und der EOSC-Rechnerplattform auf.
Das Helmholtz AI COmpute REssources Infrastrukturprojekt ist Teil des Helmholtz Inkubators “Information & Data Science” und dient der Bereitstellung von leistungsstarken Rechenressourcen für die Forschenden im Bereich künstlicher Intelligenz (KI) in der Helmholtz-Gemeinschaft. Technisch wird die KI-Hardware als Teil der Hochleistungsrechnersysteme JUWELS (Julich Supercomputing Centre) und HoreKa (KIT) an den beiden Zentren betrieben. Das SCC deckt dabei vornehmlich den prototypischen Entwicklungsbetrieb ab in dem neue Ansätze, Modelle und Verfahren entwickelt und erprobt werden können. HAICORE steht allen Mitgliedern der Helmholtz-Gemeinschaft im Bereich KI-Forschung offen.
Die Helmholtz AI Plattform ist ein Forschungsprojekt des Helmholtz Inkubators “Information & Data Science”. Die übergeordnete Mission der Plattform ist dabei die “Demokratisierung von KI für eine datengetriebene Zukunft” und ziehlt darauf ab einer möglich breiten Nutzendengruppe KI-Algorithmen und -Ansätze einfach handhabbar und ressourcenschonend zur Verfügung zu stellen. Die Helmholtz AI Plattform ist nach einem Rad-Speichen-Modell strukturiert, dass die sechs Forschungsfelder der Helmholtz-Gemeinschaft abdeckt. Das KIT ist dabei mit seiner Local Unit für den Themenkreis Energieforschung verantwortlich. In diesem Rahmen unterstützt das SCC Forschende mit einer Beratungseinheit bei der Umsetzung von KI-Forschungsvorhaben in der Erkundung neuer Ansätze zur Energieerzeugung, -verteilung und -speicherung.
Mit der Zunahme der künstlichen Intelligenz und dem damit einhergehenden Bedarf an Rechenressourcen wird die Energieeffizienz von großskaligen Deep Learning (DL) Anwendungen immer wichtiger. Das Ziel von EPAIS ist es, die Rechenleistung und den Energieverbrauch von hochmodernen DL-Modellen im großen Maßstab zu bewerten und zu korrelieren und letzteren durch Optimierung des ersteren zu verbessern. Im Rahmen des Projekts messen und analysieren wir den Energieverbrauch und die Rechenleistung wissenschaftlicher DL-Workloads mit dem Ziel, die Korrelation zwischen diesen beiden Faktoren aufzudecken. In diesem Zusammenhang entwickeln wir benutzerfreundliche Tools mit geringem Aufwand für die Messung des Energieverbrauchs und der Leistung. Diese Tools können von KI-Entwicklern in ihren Code integriert werden, um eine grundlegende Bewertung dieser Metriken vorzunehmen und so das Bewusstsein für GreenAI und GreenHPC zu fördern. Auf der Grundlage der so erlangten Erkenntnisse entwickeln wir neue Ansätze zur Steigerung der Energieeffizienz von DL-Workloads durch Leistungsoptimierung.
Trotz stetiger Verbesserung der numerischen Wettervorhersagemodelle weisen diese immer noch systematische Fehler auf, die durch vereinfachte Darstellungen physikalischer Prozesse, Annahmen über lineares Verhalten und die Herausforderungen, alle verfügbaren Beobachtungsdaten zu integrieren, verursacht werden. Wetterdienste in aller Welt erkennen nun, dass die Beseitigung dieser Defizite durch den Einsatz künstlicher Intelligenz (KI) die Disziplin in den nächsten Jahrzehnten revolutionieren könnte. Dies erfordert ein grundlegendes Umdenken, das die Meteorologie viel stärker mit der Mathematik und Informatik verzahnt. TEEMLEAP wird diesen Kulturwandel durch eine Kooperation von Wissenschaftlern der KIT-Zentren Klima und Umwelt und MathSEE fördern, indem ein idealisiertes Testbed zur Erforschung des maschinellen Lernens in der Wettervorhersage eingerichtet wird. Im Gegensatz zu Wetterdiensten, welche sich naturgemäß auf Verbesserungen der numerischen Vorhersagemodelle in ihrer vollen Komplexität konzentrieren, beabsichtigt TEEMLEAP die Einsatzmöglichkeiten und den Nutzen von KI in diesem Testbed entlang der gesamten Prozesskette der Wettervorhersage zu evaluieren.
Forschungsdatenmanagement bildet die Grundlage, um beispielsweise moderne Methoden der künstlichen Intelligenz für Forschungsfragen anwenden zu können. Daher ist Forschungsdatenmanagement ein wichtiger Bestandteil des KIT-Zentrums Klima und Umwelt. Im Projekt SmaRD-AI arbeiten am KIT das IWG, IMK, GIK und SCC eng zusammen, um den am KIT vorhandenen Datenschatz an Klima- und Umweltdaten nicht nur zugänglich zu machen, sondern auch über Werkzeuge strukturiert analysieren zu können.
The GÉANT Project has grown during its iterations (GN1, GN2, GN3, GN3plus, GN4-1 and GN4-2) to incorporate not just the award-winning 500Gbps pan-European network, but also a catalogue of advanced, user-focused services, and a successful programme of innovation that is pushing the boundaries of networking technology to deliver real impact to over 50 million users.
