Mitglieder

Der Forschungsschwerpunkt des Lehrstuhls für Dynamical Systems and Data liegt in der datengetriebenen Analyse und Prognose komplexer (dynamischer) Systeme. Ein besonderer Aspekt ist die Modellierung reduzierter Ordnung solcher Systeme durch die Entwicklung neuer Werkzeuge an der Schnittstelle von dynamischen Systemen, maschinellem Lernen und Datenwissenschaft.

Die Forschunginteressen von Prof. Grüne liegen in der mathematischen System- und Kontrolltheorie, was ML Techniken wie z.B. Reinforcement Learning einschließt. Darüberhinaus ist seine Gruppe an den Grundlagen des maschinellen Lernens in diesem Fachgebiet interessiert, z.B. in einem Forschungeprojekt im Rahmen des DFG Schwerpunkts 2298 "Theoretische Grundlagen des Deep Learning", in dem die Eignung von neuronalen Netzen zur Lösung hochdimensionaler Regelungsprobleme untersucht wird.

Die Gruppe von Prof. Daniel Buschek arbeitet an der Schnittstelle von Mensch-Computer-Interaktion und KI. Sie erforscht empirisch die Interaktion mit KI, um Menschen bei kreativen Aufgaben zu unterstützen und die Zukunft von KI-Werkzeugen auf menschenzentrierte Weise zu gestalten. Besonders interessiert sind sie an der Zukunft der Interaktion mit Text, sowohl konstruktiv durch den Bau von Prototypen (z.B. neue Dokumentbearbeitungssoftware) als auch kritisch durch die Bewertung der Auswirkungen von KI auf Autoren, den Schreibprozess und die resultierenden Texte.

Die Gruppe von Prof. Janosch Hennig setzt ML-Werkzeuge ein, um ihre Forschung über Transkriptions- und Translationsregulation durch RNA-bindende Proteine zu beschleunigen. Sie verwenden alle experimentellen Techniken der Strukturbiologie und Biophysik mit einem Schwerpunkt auf NMR-Spektroskopie. Derzeit tragen sie zudem zur Entwicklung eines ML-Tools bei, um die Protein-NMR auf die nächste Stufe zu bringen.

Der Lehrstuhl Angewandte Informatik 8 beschäftigt sich mit Anwendungen der Informatik in den Lebenswissenschaften. Forschungsschwerpunkte sind Reinforcement Learning und Optimalsteuerung in der Biomechanischen Simulation, Akustische Levitation, Simulation von Stammzellpopulationen, Biomechanische Aspekte der Interaktion von Menschen mit Computern, sowie die Auswertung von Fluoreszenzmikroskopieaufnahmen mit Methoden der Künstlichen Intelligenz.

Der Lehrstuhl für Polymer Engineering ist auf die praktische Polymerforschung spezialisiert und schlägt eine Brücke zwischen Wissenschaft, realen Anwendungen und Technologie. Ihre Arbeit reicht von Grundlagenforschungsprojekten bis zur engen Zusammenarbeit mit Industriepartnern. Mit einem umfassenden Verständnis von Verarbeitung, Struktur und Eigenschaften treiben sie die Entwicklung innovativer Polymermaterialien und -anwendungen voran. Moderne digitale Technologien verbessern die Geschwindigkeit und Qualität ihrer Forschung und ermöglichen die Entdeckung neuer Technologien und Materialien, was ihre Forschung auf ein neues Niveau hebt.

Der Lehrstuhl für Physikalische Chemie I arbeitet an geordneten und amorphen Nanostrukturen unter Verwendung
einer großen Vielfalt an Materialien. Ihre Untersuchungen zielen darauf ab, neue und effiziente Energiematerialien zu entwickeln, die zu einer nachhaltigen Zukunft beitragen. Sie befassen sich mit verschiedenen Aspekten der „Wärme“ und betreiben Grundlagenforschung in Bereichen wie Wärmedämmung, Wärmemanagement und Wärmestrahlung. Diese Forschung beginnt mit der Gestaltung kolloidaler Partikel als grundlegende Bausteine zur Herstellung wohldefinierter Nano- und Mesostrukturen. Diese Bausteine werden in zwei- und dreidimensionalen Anordnungen zusammengefügt, wodurch eine zusätzliche Längenskala der Strukturierung entsteht und sich zahlreiche Anwendungsmöglichkeiten ergeben. Besonders interessieren sie die optischen, mechanischen
und thermischen Eigenschaften von Latexpartikeln, Hohlkugeln und plasmonischen Nanopartikeln. Hier hilft die Integration von Datenwissenschaft und KI-Methoden einerseits bei der Analyse und Interpretation experimenteller Daten, andererseits können so neue Eigenschaften und Funktionen kolloidaler Superstrukturen realisiert werden.

Der Lehrstuhl für Physikalische Chemie III untersucht neue Materialien für solare Energieumwandlung und Elektrokatalyse, inkl. Hochentropie-Materialien. Hier helfen ML und Design-of-Experiment-Ansätze bei der Entwicklung von Katalysatoren der nächsten Generation für die grüne Wasserstoff-Produktion, CO2-Reduktion und N2-Umwandlung.

Die Kuenneth Group an der Universität Bayreuth entwickelt und wendet künstliche Intelligenz an, um die Materialwissenschaft und WerkstoHtechnik zu revolutionieren. Von der Entdeckung und dem Design bis hin zur Entwicklung und dem Einsatz kombiniert ihr ganzheitlicher Ansatz Datenmanagement und -kuration, mehrskalige Materialrepräsentationen, Modellentwicklung für maschinelles Lernen und Demokratisierung durch Plattformen und Tools, mit einem Kernfokus auf polymere und nachhaltige Materialien

Der Lehrstuhl für Anorganische Chemie III befasst sich mit der Synthese und Charakterisierung nanoporöser Funktionsmaterialien für die Gasspeicherung, Ionenleitung und Photokatalyse. Durch die Kombination von Festkörper-NMR-Spektroskopie, Diffusometrie, Diffraktion, elektrochemischer Impedanzspektroskopie und quantenmechanischer Modellierung analysieren wir Gast-Wirt-Wechselwirkungen und klären die zugrundeliegenden Confinement-Effekte auf. Hierzu nutzen wir Bayes'sche ML-Methoden zur Verbesserung der Datenanalyse.

Der Lehrstuhl für Physikalische Chemie V: Theorie und Maschinelles Lernen konzentriert sich auf die Entwicklung neuer Methoden für die Modellierung und den Entwurf neuer Funktionsmaterialien auf atomistischer Ebene. Ihr besonderes Interesse gilt äquivarianten neuronalen Graphennetzen für atomistische Systeme und physikalisch inspirierten maschinellen Lernverfahren, die Informationen über die elektronische Struktur einbeziehen. Außerdem wollen sie die Dateneffizienz des maschinellen Lernens in der Chemie durch die Entwicklung von aktiven Lernabläufen und Transfer-Learning-Protokollen verbessern.

Der Lehrstuhl Information Systems and Human-centric AI  spezialisiert sich auf die Schnittstelle zwischen KI und ihrer Anwendung in Gesellschaft und Industrie. Ich bin der festen Überzeugung, dass die interdisziplinäre Kombination von technischem Know-how und menschenzentrierten Methoden entscheidend ist, um soziotechnische Systeme zu entwerfen, die ihr volles Potenzial entfalten und in späteren Anwendungen messbare Vorteile bieten. Aus diesem Zusammenspiel ergeben sich auch wichtige Forschungsansätze, die weiter verfolgt werden müssen. Dazu gehören für mich derzeit die Zusammenarbeit zwischen Mensch und KI, das angemessene Vertrauen in KI-Entscheidungen, die Fairness bei KI-Entscheidungen sowie die gesellschaftlichen Auswirkungen und Vorteile von KI.

Die Forschung am Lehrstuhl Business & Information Systems Engineering and Process Analytics stützt sich auf die datengesteuerte Analyse und Erklärung von Prozessen (Process Mining), basierend auf künstlicher Intelligenz, und Methoden zur Vorhersage von Prozessverhalten. Ich bin auch Methoden zur datenschutzkonformen Analyse und zur Minimierung der Re-Identifikation von Prozessdaten. Im Mittelpunkt meiner Forschung steht eine Prozessanalyse-Pipeline, die darauf abzielt die gesamte Kette von Rohdaten (Zeitreihen, Sensorereignisdaten und Videodaten) bis zur Prozessentdeckung. Die Anwendungen einer solchen Datenpipeline sind in vielen Disziplinen zu finden wie Medizin, Agrarwissenschaften, Geologie, Geographie, Materialwissenschaften oder Meereswissenschaften Wissenschaften.

Der Lehrstuhl für Philosophie I befasst sich mit Fragen der Rationalität in der sozialen Interaktion, der Meinungsbildung und Veränderungen in sozialen Netzwerken, der Struktur und Rechtfertigung moralischer und rechtlicher Normen sowie der Philosophie kollektiven Handelns. Dabei verwenden sie Methoden aus der Logik, der Informatik und der Entscheidungs- und Spieltheorie.

Prof. Lena Kästner ist Professorin für Philosophie, Informatik und KI mit den Schwerpunkten Wissenschaftstheorie und Philosophie des Geistes und einem Hintergrund in Kognitionswissenschaft und kognitiver Neurowissenschaft. Sie ist Gründungsmitglied von RAIS² und leitet die Rubrik „KI in der Gesellschaft“. Ihre aktuellen Forschungsschwerpunkte sind erklärbare KI (XAI), Ethik der KI und die gesellschaftlichen Auswirkungen der modernen Informationstechnologien im Allgemeinen. Außerdem ist sie Leiterin des FoGG-Projekts, das die Rolle von Deepfakes bei der Strafverfolgung untersucht.

KI-Systeme sind Teil des täglichen Lebens geworden, von der Verbesserung unserer Suchergebnisse bis hin zu entscheidungsunterstützenden Systemen in kritischen Bereichen wie der Medizin. Während diese Technologie die Art und Weise verbessern kann, wie wir Sicherheitsbedrohungen erkennen, Reaktionen automatisieren und die Geschwindigkeit und Genauigkeit von Verteidigungsmechanismen verbessern, bringt KI auch neue Risiken mit sich,
wie z. B. das Potenzial für böswillige Nutzung bei Angriffen oder kritische Schwachstellen in KI-gesteuerten Systemen. Die Forschungsgruppe Cybersecurity konzentriert sich auf die Auswirkungen von KI-Systemen auf die Sicherheit von Systemen, insbesondere unter Berücksichtigung des menschlichen Faktors bei der Interaktion mit diesen Systemen und evaluiert deren Nutzung für Verteidigungsmechanismen.

Die Forschung von Dr. Timo Speith befindet sich an der Schnittstelle von Philosophie und Informatik, insbesondere in den Bereichen Erklärbarkeit, Vertrauen und Fairness in KI- und ML-Systemen. Unter anderem untersuche ich, wie Erklärbarkeit als Anforderung in der Softwareentwicklung fungiert, welche Rolle sie für Vertrauen und Nutzererfahrung spielt und wie sie effektiv evaluiert werden kann. Zudem interessieren mich die philosophischen (insbesondere ethischen) Implikationen von KI-Entscheidungen, mitunter die Zuschreibung von Gründen zu KI-Systemen.

Prof. Mirco Schönfeld arbeitet im Bereich der humanzentrierten Datenwissenschaften und beschäftigt sich insbesondere mit der Modellierung von komplexen Daten für Anwendungen basierend auf KI und maschinellem Lernen. Er untersucht unter anderem die Wechselwirkungen zwischen kuratiertem Wissen und dessen Verarbeitung durch KI-Modelle. Das führt einerseits zu einem besseren Verständnis der KI-Modelle und zum anderen eröHnet
es eine holistische Perspektive auf den Menschen im Datenverarbeitungsprozess.

Die Forschungsinteressen von Prof. Meng Lu umfassen die statistische räumliche und zeitliche Datenanalyse, die Fernerkundung, die Modellierung der Luftqualität, und die Erkennung von Veränderungen. In diesem Zusammenhang hat sie sich auf die Anwendung von ML und AI Technologie bei der Modellierung raum-zeitlicher Daten sowie auf Umweltmodellierungsprobleme Probleme spezialisiert.