Vorverarbeitung von MRT-Daten mit neuronalen Netzen

In der medizinischen Bildgebung werden Magnetresonanztomographie (MRT)-Bilder eingesetzt, um detaillierte Informationen über das menschliche Gehirn zu erhalten. Um diese Bilder von verschiedenen Gehirnen miteinander vergleichbar zu machen, ist eine Vorverarbeitung erforderlich. Bisherige Tools zur Vorverarbeitung sind jedoch häufig unreliabel, sehr rechenintensiv und wenig benutzerfreundlich. Dieses Projekt zielt darauf ab, mithilfe von Machine Learning eine vereinfachtes, schnelles und benutzerfreundliches Vorverarbeitungstool zu veröffentlichen. Überdies entsteht im Rahmen des Projektes ein Python Package welches die Anwendung von Deep Learning auf MRT-Daten vereinfacht.

Kontakt: Lukas Fisch, M. Sc.,  l_fisc17@uni-muenster.de

Datengetriebene Schätzung von makroskopischen Evolutionsgleichungen für molekulardynamische Systeme

Die Ersetzung der vollständigen Dynamik mikroskopischer Systeme durch makroskopische Evolutionsgleichungen, die das Wesen des mikroskopischen Systems beschreiben, ist ein wesentlicher Bestandteil der Modellierung in Wissenschaft und Technik. Im Rahmen der makroskopischen Beschreibung können kollektives Verhalten und Selbstorganisation untersucht werden. In diesem Projekt werden Methoden zur Extraktion partieller Differentialgleichungen (PDGLs) ausschließlich aus experimentellen Daten entwickelt. Diese Methoden werden dann auf die Ergebnisse molekulardynamischer Simulationen von Systemen angewandt, für die eine makroskopische Beschreibung nicht verfügbar ist, oder um bestehende Theorien mit den Ergebnissen der Datenanalyse zu vergleichen.

Kontakt: Oliver Mai, M. Sc.,  o_mai001@uni-muenster.de

Datengetriebene Identifikation dynamischer Systeme

In Bearbeitung.

Datenbasiertes Lernen von Kraftfeldern

Im Bereich der theoretischen Chemie und Physik gehören Molekulardynamik Simulationen zu einem
alltäglichen Werkzeug zur Untersuchung von Systemeigenschaften auf atomarer Ebene, wie zum
Beispiel molekulare Strukturen oder Transportprozesse. Dazu werden die Newton’schen
Bewegungsgleichungen für die Atome basierend auf zugrunde liegenden analytischen Potentialen
gelöst. Für alle benötigten Potentiale, im Gesamten auch Kraftfeld genannt, werden häufig alle
Parameter einzeln und auf Grundlage verschiedener experimenteller und quantenchemischer Daten
optimiert. Dafür ist ein hohes Verständnis der Problemstellung und viel chemische Intuition
erforderlich.
Dieses Projekt zielt darauf ab alle Parameter automatisiert und gleichzeitig auf Grundlage eines
einzelnen (quantenchemischen) Datensatzes zu optimieren. Alternativ können die durch ihre
analytische Form nur begrenzt optimierbaren Potentiale durch komplexere Funktionen, wie zum
Beispiel Neuronale Netze, Gaußsche Prozesse oder kompliziertere Polynomfunktionen ersetzt werden.
Diese können dann mithilfe von Machine Learning systematisch verbessert werden.

Kontakt: Mirko Fischer, M. Sc.,  m_fisc38@uni-muenster.de

Maschinelles Lernen von Off-Shell-Effekten in der Top-Quark-Produktion am LHC

Die Eigenschaften des Top-Quarks sind von großer Bedeutung für das Verständnis vieler Aspekte des Universums. Daher ist eine genaue Bestimmung der fundamentalen Eigenschaften des Top-Quarks zwingend erforderlich. Zu diesem Zweck gibt es bereits Methoden, die eine genaue Berechnung ermöglichen. Die anspruchsvollsten dieser Berechnungen beinhalten Verbesserungen wie Strahlungskorrekturen oder Off-Shell-Effekte, was ihre Auswertung extrem rechenaufwändig macht. Moderne Techniken des maschinellen Lernens wie neuronale Netze könnten dazu beitragen, diese kritischen Berechnungen effizienter zu gestalten und letztlich in großem Maßstab durchführbar zu machen. Das Ziel des Forschungsprojekts ist es daher, die Anwendung dieser Techniken zu erforschen, um die Rechenkosten für diese Berechnungen stark zu reduzieren.

Kontakt: Mathias Kuschick, M. Sc., mathias.kuschick@uni-muenster.de

Anwendung von emergenten selbst-organisierenden Karten (ESOM) für die Entwicklung von neuen molekularen Verbindungen

Die Entwicklung von Arzneistoffen wird von einem großen Bedarf an neuen chemischen Verbindungen begleitet. Da die experimentelle Erhebung chemischer und biochemischer Daten äußerst Kosten- und Zeitintensiv ist, sind grade hier Anwendungen des unsupervised machine learning von großem Interesse. Diese erlauben es auch ohne vorherige Kennzeichnung Zusammenhänge zwischen den Datenpunkten zu erlernen. Solche sind in der Wirkstoffentwicklung von Bedeutung, da auf Grund des „Prinzips der ähnlichen Eigenschaften“, Molekülen mit ähnlicher Struktur ähnliche Eigenschaften vorhergesagt werden.

Im Zentrum dieses Forschungsprojekts steht die Entwicklung und Anwendung eine Implementierung des ESOM-Algorithmus, die sowohl die speziellen Ansprüche der Chemieinformatik erfüllt als auch die Möglichkeiten moderner Rechnerarchitekturen ausschöpft. Anschließen soll diese zur Visualisierung und Erkenntnisgewinn aus riesigen Molekülbibliotheken mit mehreren 100 Mio. Verbindungen genutzt werden, wobei im späteren Verlauf auch generative Ansätze auf Grundlage der erlernten Karten verfolgt werden sollten.

Kontakt: Johannes Kaminski, M.Sc. : j.kaminski@uni-muenster.de

Potenziale, Herausforderungen und Zielkonflikte in der Beziehung von KI & Nachhaltigkeit

Die Entwicklungen im Bereich des maschinellen Lernens und der künstlichen Intelligenz verleihen der Frage nach dem möglichen Nutzen und Einfluss dieser Technologien auf eine nachhaltige Entwicklung hohe Relevanz. Dazu betrachtet dieses Projekt sowohl die Anwendung von KI-Technologien zur Verbesserung der Nachhaltigkeitsbemühungen als auch die Herausforderungen für die Nachhaltigkeit, die sich durch die Entwicklung und den Einsatz von KI-Systemen ergeben.

Dazu wird zwischen zwei Perspektiven auf das Feld unterschieden: KI für Nachhaltigkeit und die Nachhaltigkeit von KI, wobei die Auswirkungen von KI-Systemen in ökologischer, sozialer und wirtschaftlicher Hinsicht analysiert werden. Darüber hinaus untersucht das Projekt die Rolle des regulatorischen Rahmens bei der Entwicklung nachhaltiger KI-Technologien und -Praktiken sowie die Rolle, die Nachhaltigkeitsüberlegungen in regulatorischen Prozessen wie dem europäischen AI Act spielen. Durch eine umfassende Analyse der Chancen und Herausforderungen an der Schnittstelle von KI und Nachhaltigkeit bietet die Forschung Einblicke, wie KI für eine nachhaltige Entwicklung genutzt und gleichzeitig ihre negativen Auswirkungen gemildert werden können.

Kontakt: Benedikt Lennartz, M.A., benedikt.lennartz@uni-muenster.de

Event-basierte Detektion von Insekten

Die Überwachung von Insektenpräsenz und -verhalten ist mittels herkömmlicher Kamerafallen aufgrund der Größe, Geschwindigkeit und der fehlenden Infrarotsignatur von Insekten nicht möglich. Event-basierte Kameras vereinen mehrere Eigenschaften, die sie zu einem sehr geeignetem Sensor für den Auslösemechanismus einer Insektenkamerafalle machen könnten. Hierzu zählen eine sehr hohe zeitliche Auflösung, ein hoher Kontrastumfang sowie eine reduzierte Produktion redundanter Daten bei einem gleichzeitig geringen Stromverbrauch. Die resultierenden Daten sind allerdings nicht mit klassischen Computer Vision Verfahren zu verarbeiten. Ziel dieses Projekts ist es, mithilfe von Machine Learning, Insekten in Ereignisdaten zu erkennen und zu tracken.

Geometrische Interpretation neuronaler Netzwerke

Das Verständnis neuronaler Netzwerke stellt eine signifikante Herausforderung in der aktuellen Forschungslandschaft dar. Die Entwicklung geschlossener mathematischer Theorien erweist sich oft als unmöglich, und viele Ansätze basieren lediglich auf heuristischen Motivationen. Dieses Projekt widmet sich der geometrischen Interpretation neuronaler Netzwerke, wobei insbesondere bei Netzwerken mit ReLU-Aktivierungsfunktionen interessante Parallelen zu den Methoden der finiten Elemente (FEM) aufgezeigt werden. Durch die Entwicklung neuer Visualisierungstechniken und geometrischer Metriken zielt das Vorhaben darauf ab, die Interpretierbarkeit und Zugänglichkeit von Deep-Learning-Modellen zu verbessern. Es unterstützt nicht nur das Verständnis eines breiteren Spektrums fortschrittlicher Verfahren, sondern trägt auch dazu bei, die Verbindungen zu FEM-Methoden eingehender zu verstehen