Viele relevante Probleme in Wissenschaft und Gesellschaft lassen sich als Netzwerke darstellen: Moleküle in der Medikamentenentwicklung, die Zusammenarbeit von Forscher:innen, Transitrouten im Verkehrswesen oder Verbindungen zwischen Hirnregionen. In den letzten zehn Jahren hat die KI beim Lernen aus solchen Netzwerken beeindruckende Fortschritte erzielt, doch der Fortschritt stockt. Aktuelle KI-Modelle für Netzwerke haben noch Schwierigkeiten, zuverlässig zu erfassen, wie Dinge verbunden sind. Erschwerend kommt hinzu, dass die Datensätze, die zum Trainieren und Testen dieser Modelle verwendet werden, oft schlicht zu begrenzt sind, um allfällige Schwächen aufzudecken. Dies bedeutet, dass wir womöglich auf einem wackeligen Fundament bauen, ohne es zu merken.

Eine grosse Schwierigkeit bei der Behandlung von Netzwerkdaten besteht auch darin, dass viele reale Beziehungen gar nicht «paarweise» sind. Zum Beispiel ist eine wissenschaftliche Publikation nicht nur eine Sammlung von Eins-zu-eins-Kollaborationen, sondern spiegelt normalerweise gemeinsame Leistung mehrerer Autor:innen wider. Sowohl in der Mathematik als auch in der Physik gibt es seit langem bessere, d.h. reichhaltigere Strukturen, beispielsweise sogenannte «Simplizialkomplexe», die es ermöglichen, derartige Gruppenbeziehungen korrekt abzubilden. KI auf diese Strukturen auszuweiten ist daher vielversprechend, aber aktuelle Ansätze leiden, bei höherem Rechenaufwand, dabei an denselben grundlegenden Schwächen wie jene, die sich auf Netzwerke beschränken.

FORESIGHT verfolgt daher einen anderen Ansatz. Anstatt bestehende Methoden zu «flicken», entwickelt es neue KI-Architekturen von Grund auf, gestützt auf mathematische Konzepte aus der Geometrie und Topologie, Form und Struktur abbilden können. Das Ziel ist es, KI-Modelle zu entwickeln, die effizient und breit anwendbar sind und gleichzeitig aus den Merkmalen und der Form von Daten lernen können.

Ein Erfolg dieses Projektes würde nicht nur die Verarbeitung von Netzwerken verbessern, sondern könnte auch konkrete, praktische Verbesserungen in Bereichen wie der Medikamentenherstellung ermöglichen, wo aktuelle «Deep Learning»-Modelle ihr volles Potential noch nicht entfalten können.

Dank der Unterstützung des Swiss National Swiss Foundation (SNSF)  wird FORESIGHT durch das AIDOS Lab, die Forschungsgruppe von Bastian Grossenbacher-Rieck, durchgeführt. Das AIDOS Lab beschäftigt sich mit der Entwicklung neuer Methoden des Maschinellen Lernens, vor allem jene, die durch Geometrie und Topologie motiviert sind.
Contact: AI for Data-Oriented Science (AIDOS Lab)