[et_pb_section fb_built=”1″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” custom_margin=”-42px|||||”]<\/p>\n
Viele relevante Probleme in Wissenschaft und Gesellschaft lassen sich als Netzwerke darstellen: Molek\u00fcle 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 f\u00fcr Netzwerke haben noch Schwierigkeiten, zuverl\u00e4ssig zu erfassen, wie Dinge verbunden sind. Erschwerend kommt hinzu, dass die Datens\u00e4tze, die zum Trainieren und Testen dieser Modelle verwendet werden, oft schlicht zu begrenzt sind, um allf\u00e4llige Schw\u00e4chen aufzudecken. Dies bedeutet, dass wir wom\u00f6glich auf einem wackeligen Fundament bauen, ohne es zu merken.<\/p>\n
Eine grosse Schwierigkeit bei der Behandlung von Netzwerkdaten besteht auch darin, dass viele reale Beziehungen gar nicht \u00abpaarweise\u00bb 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 \u00abSimplizialkomplexe\u00bb, die es erm\u00f6glichen, derartige Gruppenbeziehungen korrekt abzubilden. KI auf diese Strukturen auszuweiten ist daher vielversprechend, aber aktuelle Ans\u00e4tze leiden, bei h\u00f6herem Rechenaufwand, dabei an denselben grundlegenden Schw\u00e4chen wie jene, die sich auf Netzwerke beschr\u00e4nken.<\/p>\n
FORESIGHT verfolgt daher einen anderen Ansatz. Anstatt bestehende Methoden zu \u00abflicken\u00bb, entwickelt es neue KI-Architekturen von Grund auf, gest\u00fctzt auf mathematische Konzepte aus der Geometrie und Topologie, Form und Struktur abbilden k\u00f6nnen. 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 k\u00f6nnen.<\/p>\n
Ein Erfolg dieses Projektes w\u00fcrde nicht nur die Verarbeitung von Netzwerken verbessern, sondern k\u00f6nnte auch konkrete, praktische Verbesserungen in Bereichen wie der Medikamentenherstellung erm\u00f6glichen, wo aktuelle \u00abDeep Learning\u00bb-Modelle ihr volles Potential noch nicht entfalten k\u00f6nnen.<\/p>\n
Dank der Unterst\u00fctzung des Swiss National Swiss Foundation (SNSF) \u00a0wird FORESIGHT durch das AIDOS Lab, die Forschungsgruppe von Bastian Grossenbacher-Rieck, durchgef\u00fchrt. Das AIDOS Lab besch\u00e4ftigt sich mit der Entwicklung neuer Methoden des Maschinellen Lernens, vor allem jene, die durch Geometrie und Topologie motiviert sind. [\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" Viele relevante Probleme in Wissenschaft und Gesellschaft lassen sich als Netzwerke darstellen: Molek\u00fcle 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 f\u00fcr Netzwerke haben noch Schwierigkeiten, zuverl\u00e4ssig […]<\/p>\n","protected":false},"author":4,"featured_media":3096,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[18,28],"tags":[],"class_list":["post-3092","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-business_informatics","category-focus","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/posts\/3092","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/comments?post=3092"}],"version-history":[{"count":4,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/posts\/3092\/revisions"}],"predecessor-version":[{"id":3128,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/posts\/3092\/revisions\/3128"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/media\/3096"}],"wp:attachment":[{"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/media?parent=3092"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/categories?post=3092"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www2.unifr.ch\/seswebzine\/wp-json\/wp\/v2\/tags?post=3092"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Contact: AI for Data-Oriented Science (AIDOS Lab) <\/a><\/p>\n