Die Auszeichnung von Zeynep Akata als Jungwissenschaftlerin der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung ihrer herausragenden wissenschaftlichen Arbeit an der Schnittstelle von Bilderkennung und künstlicher Intelligenz.
Über Zeynep Akata
Zeynep Akata is a professor of Computer Science within the Cluster of Excellence Machine Learning at the University of Tubingen. After completing her PhD at the INRIA Rhone Alpes with Prof Cordelia Schmid (2014), she worked as a post-doctoral researcher at the MPI for Informatics with Prof Bernt Schiele (2014–17) and at UC Berkeley with Prof Trevor Darrell (2016–17). Before moving to Tubingen in October 2019, she was an assistant professor at the University of Amsterdam with Prof Max Welling (2017–19). She received a Lise-Meitner Award for Excellent Women in Computer Science from Max Planck Society in 2014 and an ERC-2019 Starting Grant from the European Commission. Her research interests include multimodal learning that combine vision and language for low-shot learning, namely designing machine learning models that reason about the visual content of the image using plain language while avoiding the costly dense and task-specic annotations.
Representing and Explaining Novel Concepts with Minimal Supervision
In Explainable Machine Learning, we study the challenging problem of largescale learning with vision and language. We use image labels, i.e. zebra, horse, etc. when they are available or side information in the form of attributes, i.e furry, striped, etc. when image labels are not provided. Combining vision and language in a single framework we aim to learn robust representations generalizable across different tasks. As user acceptance is likely to benefit from easy-to-interpret visual and textual rationales allowing them to understand what triggered a particular behavior, we aim to generate textual justifications for model decisions in a two-step framework. In the first stage, we use visual (spatial) attention to train a convolutional network to decisions, e.g. steering angle while driving. The attention model identifies image regions that potentially influence the network’s output. In the second stage, we use a video-to-text language model to produce textual rationales that justify the model’s decision. The explanation generator uses a spatiotemporal attention mechanism encouraged to match the attention of the decision maker.
Die Auszeichnung von Andreas Dörr als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner herausragenden Arbeiten für dateneffizientes, verstärkendes Maschinenlernen.
Über Andreas Dörr
Andreas Dörr arbeitet im Bereich Künstliche Intelligenz an Maschinen, die autonom lernen neue Probleme zu losen. In seiner Arbeit verbindet Dörr Erfahrungen aus der Luft-und Raumfahrttechnik im Bereich Systementwicklung und Regelungstechnik mit Methoden der künstlichen Intelligenz, des Machine Learnings, und der Robotik. Nach seinen Luft- und Raumfahrt- und Informatik Studien an der Universität Stuttgart promovierte er zu diesen Themen am Max-Planck-Institut für Intelligente Systeme und dem Bosch Center for Artificial Intelligence. Mit Forschungsaufenthalten am NASA Ames Research Center und dem Massachusetts Institute of Technology, legt seine Arbeit Grundsteine um die Methoden des maschinellen Lernens und speziell des Reinforcement Learnings aus simulierten, akademischen Umgebungen in reale Produkte und Prozesse zu übertragen. Als Forschungsingenieur am Bosch Center for Artificial Intelligence beschäftigt sich Andreas Dörr mit der automatisierten Regelung von komplexen Systemen, wie z. B. der Regelung von Fahrzeugverhalten in Extremsituationen.
Prädiktive Modelle für daten-effizientes Reinforcement Learning
Eines der großen Versprechen von Machine Learning (ML) und Künstlicher Intelligenz (KI) ist es, einer Maschine die Fähigkeit zu verleihen, in komplexen und unbekannten Umgebungen autonom neues Verhalten zu erlernen. Ergebnisse dieser Forschungsrichtung, im speziellen der Disziplin des Reinforcement Learnings (RL), sind allerdings nach wie vor überwiegend beschrankt auf sehr spezialisierte, simulierbare und gut verstandene Problemfelder. Die Arbeit von Andreas Dorr adressiert dagegen Probleme wie: Daten-Effizienz, Robustheit und Lernen in Gegenwart von fehlerhafter und unvollständiger Wahrnehmung der Umgebung. Diese Probleme treten typischerweise auf, sobald maschinelle Systeme in unseren unstrukturierten, alltäglichen Umgebungen operieren sollen. Kernthemen seiner Arbeiten sind das Erlernen probabilistischer, prädiktiver Modelle, die es der Maschine erlauben aus vergangenen Erfahrungen optimale Entscheidungen für zukünftige Handlungen abzuleiten.
Die Auszeichnung von Stefan Gavranovic als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner herausragenden Arbeiten zu interaktiven, physikalischen 3D-Simulationen und Designassistenten, die es erlauben, zentrale Paradigmen der Produktentwicklung neu zu denken.
Über Stefan Gavranovic
Stefan Gavranovic started his university education in the field of Mechanical Engineering, and received his BSc degree in 2012 from the University of Belgrade. His MSc degree in Computational Science and Engineering he obtained in 2015, from the Technical University of Munich (TUM). Since 2015, he has been working towards his Doctoral degree in Informatics, while being a member of the Scientific Computing Chair at TUM, and a member of a research group at Siemens Corporate Technology. His research interests include efficient multigrid methods, GPU computing, finite element methods for multi-physics problems, and topology optimization. From 2019, Stefan is developing results of his research work into a state of the art commercial tool for topology optimization, hence completing the path from a research idea to a finished product.
GPU Accelerated Multi-Physics FEM Solver for Topology Optimization
With development of additive manufacturing, the importance of topology optimization is evergrowing. With the help of topology optimization engineers and designers can create better products while using less material. By doing so, waste and energy consumption is being reduced, contributing to overall reduction of greenhouse gas emissions. In this work a fast finite element solver with application to topology optimization is presented. Combining efficient numerical algorithms and data structures such as geometric multigrid method and hexahedral meshes, with the state of the art many-core architectures results in nearly interactive topology optimization process.
Die Auszeichnung von Christoph Kolbitsch als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner herausragenden wissenschaftlichen Arbeiten in der Medizintechnik zur Verbesserung der Bildqualität bei der Magnetresonanztomographie.
Über Christoph Kolbitsch
Christoph Kolbitsch studierte Physik an der Technischen Universität in Wien und beschäftigte sich dabei mit Blutflussmessungen im Augenhintergrund mittels optischer Kohärenztomografie. Er promovierte danach am King’s College London (UK) 2012 im Bereich der Bewegungskompensation für kardiale Magnetresonanztomografie (MRT). Im Rahmen seiner Doktorarbeit entwickelte er effiziente Messverfahren, um hochaufgelöste 3D-MRT-Bilder vom Herzen für die klinische Diagnose aufzunehmen. Aktuell leitet er die Arbeitsgruppe „Quantitative MRT“ an der Physikalisch- Technischen Bundesanstalt in Berlin und beschäftigt sich mit der Frage, wie man die Genauigkeit und Reproduzierbarkeit von quantitativen MRT-Messungen sicherstellen kann, insbesondere wenn sich Gewebe während der Aufnahme bewegt. Er arbeitet dazu eng mit klinischen Experten an der Charité Berlin zusammen, um neue Ansätze möglichst schnell im klinischen Alltag zu evaluieren.
Kompensation von Bewegungsartefakten in der Magnetresonanztomografie
Die Magnetresonanztomografie (MRT) ist ein wichtiges Bildgebungsverfahren im medizinischen Alltag. Sie liefert eine Vielzahl komplementärer diagnostischer Informationen, die eine umfangreiche Charakterisierung von Krankheitsbildern ermöglichen. Aufgrund der langsamen Aufnahmegeschwindigkeit von MRT-Daten ist die physiologische Bewegung der Organe, z. B. durch Atmung oder Herzschlag, eine große Herausforderung. Wird die Bewegung der Organe während der Datenaufnahme nicht korrekt berücksichtigt, hat dies in den meisten Fällen eine Verschlechterung der diagnostischen Qualität aufgrund von Bewegungsartefakten zur Folge und kann eine Wiederholung der Aufnahme erfordern. Die meisten aktuell verwendeten Verfahren zur Vermeidung von Bewegungsartefakten sind ineffizient und fuhren zu einer Verlängerung der Aufnahmezeit. Neue Methoden, wie z. B. die bewegungskompensierte Bildrekonstruktion, die bereits Gegenstand intensiver Forschung ist, werden deshalb in der klinischen Praxis dringend benötigt, um sowohl eine exzellente diagnostische Bildqualität als auch kurze Untersuchungszeiten mit MRT zu gewährleisten.
Die Auszeichnung von Gerhard Kurz als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner herausragenden Beiträge zur simultanen Lokalisierung und Kartographierung für mobile Roboter.
Über Gerhard Kurz
Gerhard Kurz studierte Informatik am Karlsruher Institut für Technologie (KIT). Seine Diplomarbeit schloss er am Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) ab. Anschließend promovierte er am Institut für Anthropomatik und Robotik des KIT im Rahmen des Graduiertenkollegs „Intelligente Chirurgie“, welches in Kooperation mit dem Universitätsklinikum Heidelberg und dem Deutschen Krebsforschungszentrum durchgeführt wurde. In seiner Dissertation befasste er sich mit Problemstellungen aus der Roboterchirurgie, insbesondere mit der Frage, wie Roboter Chirurgen bei Operationen am schlagenden Herzen unterstutzen können. Nach seiner Promotion forschte Herr Kurz am KIT als Postdoktorand an Fragestellungen der Sensordatenfusion, stochastischen Regelungstechnik und nichtlinearen Schatztheorie. Seit 2018 ist er bei der Robert Bosch GmbH im Corporate Research als Forschungsingenieur tätig, wo er sich mit dem Themengebiet der Robotik befasst, insbesondere mit der Fragestellung der simultanen Lokalisierung und Kartographierung.
Simultane Lokalisierung und Kartographierung für mobile Roboter
Moderne mobile Roboter müssen sich in unbekannten Umgebungen zurechtfinden und sicher mit ihrer Umwelt interagieren. Dazu ist es von großer Bedeutung, eine Karte der Umgebung anzulegen und sich anhand dieser Karte zu lokalisieren. Dies bezeichnet man als simultane Lokalisierung und Kartographierung (engl. Simultaneous Localization And Mapping – SLAM). Dabei erfasst ein Roboter seine Umgebung und seine eigene Bewegung darin mithilfe verschiedener Sensoren. Die Informationen aller Sensoren werden kombiniert, um möglichst genaue und zuverlässige Ergebnisse zu erhalten. SLAM hat Anwendungen in vielen Bereichen, vom Staubsaugroboter bis zum Logistikroboter, vom autonomen Fahrzeug bis zum Flugroboter. Dabei gibt es viele Herausforderungen zu bewältigen, etwa die Frage, wie man die auftretenden Unsicherheiten akkurat repräsentieren kann oder wie sich die Karte an eine veränderte Umgebung anpassen lasst.
Die Auszeichnung von Stefan Notter als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner wissenschaftlichen Arbeiten zur autonomen Flugsteuerung durch das Zusammenführung von Methoden der künstlichen Intelligenz mit klassischen, regelungstechnischen und schätztheoretischen Ansätzen.
Über Stefan Notter
Stefan Notter schloss sein Studium der Luft- und Raumfahrttechnik an der Universität Stuttgart im Frühjahr 2015 mit einer Masterarbeit am Australian Research Centre for Aerospace Automation zur Regelung eines Multikopters mit Außenlast ab. Seither ist er wissenschaftlicher Mitarbeiter am Institut für Flugmechanik und Flugregelung. Dort befasst sich Stefan Notter mit regelungstechnischen Maßnahmen zur Steigerung der Ökoeffizienz von Flächenflugzeugen. Dies umfasst, neben der intelligenten Steuerung (verteilter, hybrid-) elektrischer Flugantriebe, das automatisierte Auffinden, Charakterisieren und Ausnutzen thermischer Aufwinde.
Im Rahmen des BMWi-geförderten Luftfahrt- Forschungsprojekts TakEOF werden Verfahren entwickelt und erprobt, die Methoden des Maschinellen Lernens mit klassischen regelungstechnischen und schätztheoretischen Ansätzen vereinen. Ingenieurtechnisches Ziel des Vorhabens ist die Reduzierung des Antriebsbedarfs sowohl unbemannter-, als auch bemannter, motorgetriebener Flugzeuge durch Nutzen meteorologisch begünstigter Aufwinde.
Autonomes Segelfliegen – Aufwinde erfassen und intelligent nutzen
Geschicktes Ausnutzen thermischer Aufwinde erlaubt es Segelflugpiloten große Distanzen emissionsfrei zurückzulegen. Fliegen ohne eigenen Antrieb erfordert dabei ein ständiges Abwägen zwischen völlig gegensätzlichen Handlungsrichtungen. Aufgrund der Notwendigkeit zur taktischen Abwägung sowie wegen des stochastischen, nur schwer zu modellierende Charakters der Umgebung ist die Bahnplanung im Überland-Segelflug eine spannende Aufgabe für die Anwendung und Erprobung von Bestärkendem Lernen. Vorgestellt wird außerdem ein Verfahren zum integrierten Lokalisieren und Charakterisieren mehrerer thermischer Aufwinde auf Basis eines Partikelfilters. Eine Beobachtbarkeitsanalyse erlaubt dabei eine Bewertung der erreichbaren Schätzgüte.
Durch Einsatz der erforschten Verfahren kann beispielsweise das Missionsprofil von unbemannten Flächenflugzeugen mit eingeschränkter Reichweite erweitert werden. Zunächst aber ist die Automatisierung des Segelflugs eine spannende ingenieurtechnische Herausforderung und geeignete Spielwiese zur wissenschaftlichen Auseinandersetzung mit neuartigen Verfahren in der Flugregelung.
Die Auszeichnung von Oliver Ruf als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner wegweisenden Arbeiten zum selbstorganisierenden Verhalten von autonomen Kleinstsatellitenformationen
Über Oliver Ruf
Oliver Ruf studierte Luft- und Raumfahrtinformatik an der Universität Würzburg, wo er sich schon früh mit Testumgebungen für Lageregelungssensorik beschäftigte. Anschließend spezialisierte er sich im Erasmus Mundus Master Programm Space Science and Technology an der Aalto Universität in Finnland und der Luleå Universität in Schweden auf Raumfahrtrobotik. Nach Abschluss seines Studiums arbeitete er im METERON-Team der europäischen Weltraumorganisation ESA in Darmstadt an neuen Technologien zur Zusammenarbeit von Astronauten und Robotern. Hier unterstützte er unter anderem Astronaut Andreas Mogensen, der von der internationalen Raumstation ISS aus einen Roboter auf der Erde fernsteuerte. Seit Dezember 2015 ist er am Zentrum für Telematik in Würzburg im Bereich miniaturisierter Satellitensysteme tätig, wo er an innovativen Methoden für das Testen von Satelliten-Formationen und -Konstellationen arbeitet. Im Rahmen seiner Promotion fokussiert er seine Forschung dabei auf neuartige Ansätze zur Verifikation der relativen Lageregelung kooperierender Satelliten mithilfe von zwei hochpräzisen 3-Achs-Robotern zur Bewegungssimulation.
Herausforderungen und neue Ansätze zum Testen kleiner kooperierender Satelliten
Der Trend von großen, multifunktionalen Einzelsatelliten hin zu Missionen, welche aus vielen kleinen, kooperierenden Satelliten in Konstellationen oder Formationen bestehen, ermöglicht neue Anwendungen im Erdbeobachtungs-und Kommunikationsbereich. Die zunehmende Anzahl der Satelliten in einer Mission, führt jedoch auch zu Problemen bei der Entwicklung, Integration, Verifikation und im Betrieb. Während für die anderen Bereiche bereits verschiedene Lösungsansätze existieren, unterscheiden sich die Herangehensweisen bei der Verifikation bisher kaum von den klassischen Lösungen. Daher ist der Verifikationsprozess besonders von diesem Trend betroffen und steht speziellen Herausforderungen gegenüber. Mit dem Ziel diese Herausforderungen zu bewältigen wurde am Zentrum für Telematik eine Testanlage für Multi-Satellitensysteme konzipiert und implementiert. Diese ermöglicht automatisierte Lageregelungstests von kooperierenden Satelliten in Formationen auf Systemebene mit Fokus auf relativer Navigation, zum Beispiel für Intersatelliten-Kommunikation oder kooperative Erdbeobachtung.
Die Auszeichnung von Frank Schlawin als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner richtungsweisenden Arbeiten zur Verwendung der Quanteneigenschaften von Licht für Spektroskopie und für die Kontrolle komplexer Quantensysteme.
Über Frank Schlawin
Frank Schlawin studierte Physik an der Albrecht- Ludwigs-Universität Freiburg. Im Jahr 2011 schloss er dieses mit einer Diplomarbeit über die Propagation ununterscheidbarer Teilchen in ungeordneten Medien ab. Nach einem längeren Aufenthalt an der University of California, Irvine, verteidigte er seine Doktorarbeit zum Thema Quantenspektroskopie in Freiburg 2015 mit summa cum laude. Seither arbeitet er als wissenschaftlicher Mitarbeiter an der University of Oxford. In seiner Forschung beschäftigt er sich mit der theoretischen Beschreibung der Wechselwirkung von Quantenlicht mit komplexen Materialien. Dabei besteht das Ziel einerseits darin, ein besseres Verständnis dessen zu gewinnen, wie neue Quantenlichtquellen (beispielsweise verschränkte Photonen) genutzt werden können, um neue Informationen in der Spektroskopie zu gewinnen. Andererseits widmet er sich der Frage, ob Quantenlicht gar verwendet werden kann, Materialeigenschaften zu verändern. Dies ist insbesondere interessant für neue zweidimensionale Materialien wie Graphen, die aus nur einer einzigen atomaren Schicht bestehen.
Quantenlicht auf dem Weg zur Anwendung in der ultraschnellen Spektroskopie
Quantenlicht spielt eine zentrale Rolle in der Entwicklung neuer Quantentechnologien wie etwa der Quantenkryptographie. Insbesondere verschränkte Photonenquellen werden seit vielen Jahren für derartige Anwendungen entwickelt. Deren exotische Eigenschaften könnten allerdings auch völlig neue Methoden in der ultraschnellen Spektroskopie ermöglichen. Dieser Artikel gibt einen Überblick, wie die sogenannte Zeit-Energie-Verschränkung ermöglichen könnte, klassische Auflösungsgrenzen zu überwinden und wie mit nicht-klassischen Anregungen neue Informationen aus komplexen Quantensystemen gewonnen werden könnten.
Die Auszeichnung von Arne Speerforck als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgte in Anerkennung seiner herausragenden Arbeit zur Weiterentwicklung von umweltverträglichen, thermisch betriebenen Klimaanlagen.
Über Arne Speerforck
Arne Speerforck studierte Maschinenbau mit dem Schwerpunkt Energietechnik an der Technischen Universität Hamburg. Nach dem Abschluss eines wirtschaftswissenschaftlichen Zusatzstudiums beschäftigt er sich seit 2012 mit der Erarbeitung effizienter Alternativen zur Gebäudeklimatisierung. Für seine Dissertation mit dem Titel „Investigation of a Desiccant Assisted Geothermal Air Conditioning System“ erhielt er im Jahr 2019 den Karl H. Ditze Preis der Technischen Universität Hamburg. Seit Anfang 2018 ist er in der Forschung und Entwicklung der Vaillant Group tätig und beschäftigt sich dort vor allem mit der modellbasierten Entwicklung von HVAC Systemen.
Geothermisch- und sorptionsgestützte Klimatisierung
Für die nächsten Jahrzehnte wird ein rapider Anstieg des weltweiten Klimatisierungsbedarfs vorhergesagt. Dieser resultiert vor allem aus Einkommenszuwächsen in warmen Regionen der Erde und wird zusätzlich durch die globale Erwärmung verstärkt. In Kombination mit dem hohen elektrischen Energiebedarf von Klimaanlagen ergibt sich daraus ein wichtiger Auftrag für die Wissenschaft: Das Erarbeiten von effizienten und umweltverträglicheren Alternativen zur Gebäudeklimatisierung.
Geothermisch- und sorptionsgestützte Klimaanlagen können dabei ein Teil der zu findenden Lösung sein. Anhand einer Versuchsanlage konnten hier elektrische Energieeinsparungen von mehr als 70 % ermittelt werden. Auch die Übertragbarkeit des Konzepts auf Standorte in den USA konnte nachgewiesen werden. Allerdings ist die Wirtschaftlichkeit des Konzepts noch zu gering, um einen flächendeckenden Einsatz zu ermöglichen. Die Erhöhung der Wirtschaftlichkeit im Ganzjahresbetrieb ist damit essentieller Gegenstand weiterer Forschungsarbeiten.
