Säulen

Diese Säule bildet die theoretische und methodische Grundlage für die Aktivitäten des RAIS² in Forschung und Lehre. Sie befasst sich mit den Technologien, welche die Entwicklung von KI-Methoden möglich machen. Durch die Vernetzung mit den anderen Säulen werden neue Methoden im direkten Austausch mit möglichen Anwendern entwickelt.

Schwerpunkte im Bereich Technologie der Künstlichen Intelligenz an der UBT liegen insbesondere in den Bereichen Optimierungsverfahren und Theorie Neuronaler Netze und kernbasierter Methoden, Methoden des Maschinellen Lernens, Maschinelles Lernen für Dynamische Systeme, Data Science und Maschinelles Lernen für große Datenmengen, Robotik, und Interaktive Künstliche Intelligenz.

An der UBT besteht ein starker Schwerpunkt im Bereich Künstliche Intelligenz in den Lebenswissenschaften. Dieser erstreckt sich von der Entwicklung und Anwendung von Methoden der Künstlichen Intelligenz im Proteindesign, Mikroskopie und Simulation, Sequenzanalyse, Strukturvorhersage und RNA Biochemie bis zu Anwendungen in der Zell- und Molekularbiologie, molekularen Biophotonik, und Lebensmittelanalytik. Methodische Schwerpunkte umfassen beispielsweise große Sprachmodelle im Proteindesign, CNN und U-NET basierte Verfahren in der Mikroskopie, tiefe Neuronale Netze in der Sequenzanalyse, und Approximate Bayesian Computation in der Simulation biologischer Systeme.

Methoden der Künstlichen Intelligenz revolutionieren derzeit alle Bereiche der Lebenswissenschaften, und die UBT leistet dabei einen signifikanten Beitrag. Ziel dieser Säule ist die Bündelung der Expertise sowohl in der Identifikation und Entwicklung von Verfahren aus der Künstlichen Intelligenz, um Fragestellungen in den Lebenswissenschaften zu beantworten, als auch der Erkenntnisgewinn in den Lebenswissenschaften mit Methoden der Künstlichen Intelligenz. Der Kern ist die Schaffung von Synergien durch die Zusammenarbeit, den Methoden- und Expertiseaustausch zwischen Forschenden im KI und Life Science Bereich. Dazu arbeitet diese Säule mit dem Bayreuther Zentrum für Molekulare Biowissenschaften, dem Nordbayerischen Zentrum für NMR-Spektroskopie, dem Bayreuther Zentrum für Ökologie und Umweltforschung sowie dem Medizincampus Oberfranken zusammen.

Methoden der künstlichen Intelligenz und des maschinellen Lernens haben in den letzten Jahren die Materialforschung beschleunigt und verbessert. Ein besonders interessanter Aspekt ist in diesem Zusammenhang, dass die Daten intrinsisch multiskalig sind: Die Eigenschaften eines Materials hängen von der chemischen Zusammensetzung (also von der atomaren Skala) ab, aber auch von seiner meso- und makroskopischen Struktur. Dementsprechend haben KI-Modelle für Materialien ganz eigene Voraussetzungen und Randbedingungen, was häufig auch zu methodischen Neuentwicklungen führt. Die UBT ist hier breit aufgestellt. So werden z.B. Bayes'sche ML Methoden für die Entdeckung neuer Materialien oder die Analyse von Impedanzspektren elektroaktiver Materialien verwendet. Neuronale Netze können zur Analyse von Wärmeleitung in Kolloidmaterialien benutzt werden. Auf der Mesoskala können neuronale Differenzialgleichungen für die Vorhersage der Ausbildung von Grenzschichten in Batterien verwendet werden. In der Polymer- und Proteinforschung werden sog. Large Language oder Generative AI (GenAI) Modelle entwickelt, um neue Materialien und Eigenschaften vorherzusagen. Schließlich werden atomistische ML-Modelle verwendet, um quantenmechanische Rechnungen für Materialien, um mehrere Größenordnungen zu beschleunigen.

Die UBT bietet einzigartige Anknüpfungspunkte zwischen den sich rasant entwickelnden KI- und den experimentellen multiskaligen Analysemethoden. Durch diese Infrastruktur, die durch die Keylabs des Bayrischen Polymerinstituts, das Nordbayerische NMR Zentrum und das BayBatt Battery Cell Technology Center sichtbar sind, sind klare Synergien zu erwarten. Aus der gelebten Interdisziplinarität am Bayreuther Campus ist durch die Verknüpfung von KI in den Materialwissenschaften und experimenteller Materialforschung ein Alleinstellungsmerkmal mit nationaler und internationaler Sichtbarkeit zu erwarten. Unterstützt wird diese Forschungsphilosophie durch den SFB MultiTrans.

Das Volumen an Daten nimmt auch in Wirtschaft und Industrie kontinuierlich zu, was die Nachfrage nach Methoden steigert, um die Daten effizient zu analysieren und Künstliche Intelligenz effektiv einzusetzen. Diese Säule bringt deshalb Kompetenzen in der Modellierung, Speicherung und Analyse strukturierter und unstrukturierter Daten und der effizienten Erkennung von Mustern in den Daten, dem Verständnis statistischer Methoden und Techniken, um Anomalien in den Daten zu erkennen, humanzentrischer KI, die auf Prinzipien der Fairness und Transparenz basiert, den organisatorischen Aspekten von KI-Projekten und der Anwendung von (generativer) KI in Industrie und Gesellschaft. Für die Schließung kritischer Datenlücken (Smarte Datengewinnung), die intelligente Wertschöpfung mittels vorhandener Datenmengen sowie die effiziente Verwertung datenbasierten Wissens werden zudem innovative Lösungen für die Produktion sowie Kreislaufführung technischer Produkte entwickelt (Remanufacturing). Ziel dabei ist es, aus großen und unstrukturierten Datenmengen (Big Data) nutzbare Wissensinhalte (Lean Data) zu generieren und für die Anwendung bereitzustellen. Auch Daten zur Herstellung, Zusammensetzung, Nutzung, und dem Abfallaufkommen von Produkten sind in Struktur und Umfang relevant für KI-Modelle und werden zur Forschung an globalen Materialkreisläufen und der Rückgewinnung wertstoffreicher Sekundärrohstoffe genutzt. Durch die enge Zusammenarbeit mit dem Institut für Entrepreneurship und Innovation an der UBT sollen insbesondere Innovationen und Technologietransfer im Bereich KI gefördert werden.

Moderne KI-Systeme durchdringen zunehmend unseren Alltag. Angefangen bei Spamfiltern in unseren E-Mails und Gesichtserkennung auf unseren Smartphones bis hin zu medizinischer Diagnostik, Fahrerassistenzsystemen und automatischen Urteilsbegründungen bei Gericht. Vor diesem Hintergrund müssen wir uns stets fragen, welche Auswirkungen der breite Einsatz von KI auf die moderne Gesellschaft hat. Zentrale Fragen in diesem Kontext sind: Wie können wir sicherstellen, dass bestehende Normen und Werte gewahrt werden, während wir gleichzeitig vom Einsatz modernster Technologie profitieren? Welche Anforderungen stellen wir als Gesellschaft an moderne KI-Systeme und unter welchen Umständen dürfen sie auch in sensiblen Bereichen wie etwa der Strafverfolgung eingesetzt werden? Wie wollen wir die Kollaboration zwischen Mensch und KI künftig gestalten? Wie kann KI zur Analyse und Steuerung persönlicher Bildungswege eingesetzt werden? Wie verändert Künstliche Intelligenz Strukturen des Konsumentenverhaltens in digitalen und analogen Räumen? Was muss eine effektive Regulierung von KI leisten und wie sollen ethische Entscheidungen bei der Entwicklung formuliert und legitimiert werden? Wie ist der Einsatz generativer KI im Bezug auf datenschutzrechtliche Vorgaben zu beurteilen? Wie kann KI für eine zeitgemäße und menschzentrierte öffentliche Verwaltung eingesetzt werden? Wie kann die Transparenz von KI-Systemen trotz bestehender Geschäftsgeheimnisse gewährleistet werden? Und wie können unterschiedliche Anforderungen an KI aus unterschiedlichen Bereichen und Interessengruppen in Einklang gebracht werden?

Zu diesen Fragestellungen existieren bereits eine Reihe von Projekten und Initiativen an der UBT, die im Rahmen des RAIS² weiter ausgebaut werden. Dazu zählen die interdisziplinäre Arbeitsgruppe FATE@UBT (Fairness Accountability Transparency and Ethics in AI) sowie die Teilnahme an der Policy Working Group im Rahmen der AI Alliance.

Wie andere empirisch orientierte Disziplinen greifen auch Umweltwissenschaften und Ökologie zunehmend auf leistungsfähige Werkzeuge der Künstlichen Intelligenz und des maschinellen Lernens zurück. Ziel dabei ist es, die zunehmende Fülle an Daten für die Erkenntnisgewinnung und Vorhersage zu nutzen und Lösungen für aktuelle Probleme wie Klimawandel, Umweltverschmutzung, Lebensraumverlust und Artensterben zu entwickeln. An der Universität Bayreuth werden KI-Werkzeuge insbesondere für das Monitoring, die Vorhersage und das Verständnis komplexer Prozesse und Muster in Ökosystemen eingesetzt. So ermöglichen KI-basierte Erkennungsmethoden ein effizientes Monitoring von Umweltprozessen und Art- und Individueneigenschaften aus Bild-, Audio- und Videoquellen. Auch im Bereich der Vorhersage von Artverbreitungen und Umweltrisiken sowie beim Downscaling von Umweltdatensätzen wird maschinelles Lernen in großem Umfang eingesetzt.

Die Säule profitiert dabei von den etablierten Strukturen und Netzwerken im Bereich der Umweltforschung an der Universität Bayreuth und kooperiert eng mit dem Bayreuther Zentrum für Ökologie und Umweltforschung BayCEER sowie den BayCEER Keylabs.