*** Vorstellung der AG Smartlabs im IVV Kolloquium am 7.9., siehe https://sso.uni-muenster.de/LearnWeb/learnweb2/course/view.php?id=67509#coursecontentcollapse24 ***
Die Digitalisierung schreitet in der Forschung wie auch in der universitären Lehre weiterhin mit großen Schritten voran. Mit ihrer eScience-Initiative begegnet die WWU diesem Sachverhalt proaktiv und mit Angeboten wie dem Service Center Digital Humanities (SCDH), dem Service Center Data Management (SCDM), dem InterKIWWU Lehrprogramm im Bereich Künstliche Intelligenz (KI), sowie Angeboten der WWU IT in den Bereichen Hochleistungsrechnen und Forschungsdateninfrastruktur. Adressiert werden hierbei aktuelle Trends wie Maschinelles Lernen und Forschungsdatenmanagement, noch nicht ausreichend im Blick sind unserer Auffassung nach allerdings die Aufgaben, die im Zuge der Digitalisierung von Prozessen rund um die Forschungslabore in den Naturwissenschaften anfallen. Diese Seite dient zur Sammlung von Informationen zu diesem Thema.
!!! Diese Seite befindet sich noch im Aufbau. !!!
Technologische Lösungen
1. Forschungsdatenmanagement: Erzeugung, Verarbeitung und Speicherung von Gerätedaten ohne Rückgriff auf die Herstellersoftware
- Beispiel mit dem elektronischen Laborbüch Chemotion: https://www.chemotion.net/chemotionsaurus/docs/eln/devices
2. (Fern-)Steuerung: Gerätesteuerung via Remote Desktop oder Programmierschnittstellen
- Beispiel mit pyVISA: https://pyvisa.readthedocs.io/en/latest/
siehe auch: https://www.uni-muenster.de/NWZ/en/eScience-at-NWZ/deviceintegration.html
3. Daten-Visualisierung und Verarbeitung:
- Matplotlib: a plotting library for creating static, animated, and interactive visualizations. https://matplotlib.org/stable/index.html
- OpenCV: a computer vision library that provides image processing and computer vision algorithms. https://opencv.org/
- Pillow: a library for image processing that is a fork of the Python Imaging Library (PIL). https://pillow.readthedocs.io/en/stable/handbook/overview.html
- scikit-image: an image processing library that implements algorithms for image analysis, filtering, segmentation, and more. https://scikit-image.org/
- Seaborn: a library based on Matplotlib that provides a high-level interface for visualizing statistical models. https://seaborn.pydata.org/tutorial.html
- Plotly: a library for creating interactive, web-based visualizations. https://plotly.com/python/
- Pyvista: a library for 3D plotting and mesh analysis and more. https://docs.pyvista.org/
4. Proben-Verwaltung:
- Beispiel mit sampleDB: https://scientific-it-systems.iffgit.fz-juelich.de/SampleDB/
5. Inventur von experimentellen Gerätschaften und Materialien:
6. Integration der obigen Lösungen via elektronischen Laborbücher:
- Beispiel mit Chemotion siehe oben
7. Integration der obigen Lösungen via Projekt-Management-Sofware:
- Beispiel mit openproject: https://www.openproject.org/
Informations- und Fortbildungsangebote:
- Materialien zur Integration von Geräten: https://imperia.uni-muenster.de/NWZ/eScience-at-NWZ/deviceintegration.html
- Informationsveranstaltungen zu Forschungsdatenmanagement und wissenschaftlicher Softwareentwicklung: siehe auch https://www.uni-muenster.de/NWZ/eScience-at-NWZ/index.html
- Workshops und Hackathons zu smart lab Themen?
- Die Expert:Innen-Liste als Startpunkt für 'inhouse consulting', d.h. die Beratung durch Kolleg:Innen mit langjährig aufgebautem Expertenwissen: https://imperia.uni-muenster.de/NWZ/eScience-at-NWZ/expertslist.html
In eigner Sache:
Ihre Beiträge zu dieser Seite sind via E-Mail an dgd@uni-muenster.de herzlich willkommen!
Die 'AG smart labs' trifft sich einmal im Semester, um zu beraten, wie das Thema im Sinne der obigen Punkte weiterentwickelt werden kann. Bei Interesse bitte einfach melden (Hossein Ostovar, h.ostovar@uni-muenster.de und Martin Korth, dgd@uni-muenster.de).