Fokusthemen
Ein MDSI-Fokusthema ist eine dynamisch aufgebaute Gruppe von Wissenschaftlern aller Stufen (Professoren bis hin zu Promovierenden oder sogar motivierten Masterstudierenden), die beabsichtigen, an einem bestimmten Forschungsthema zu den Themen Datenwissenschaft, maschinelles Lernen oder KI zusammenzuarbeiten. Die Schwerpunktthemen werden "bottom-up" und nicht "top-down" zusammengestellt, und die Mitglieder bestimmen die Arbeitsweise. Dies könnte z.B. sein
- die Zusammenarbeit bei der Beantragung größerer Strukturprogramme bei externen Förderern (z.B. DFG-Cluster oder SFB),
- die Organisation von (regelmäßigen, internationalen) Workshops oder Konferenzen, oder
- die Veröffentlichung von Publikationen.
Die Mitglieder eines MDSI-Fokusthemas sind zwar an der TUM angesiedelt. Die Zusammenarbeit mit externen Partnern ist jedoch ausdrücklich erwünscht.
Das MDSI unterstützt seine Focus Topics durch das Angebot von
- Räumlichkeiten für die Zusammenarbeit,
- Hilfe und finanzielle Unterstützung bei der Organisation von Workshops oder Konferenzen,
- Mittel für Gastwissenschaftler,
- Services im Zusammenhang mit der Verwaltung von Forschungsdaten.
Im Folgenden werden die Fokusthemen des MDSI kurz vorgestellt:
AI in Finance (AIF) verbindet Forschung und Anwendung im Finanzsektor. Es entwickelt KI-Lösungen für Themen wie automatisierten Handel, Risikomanagement, Betrugserkennung und Nachhaltigkeit. Zudem fördert es digitale Finanzbildung und lebenslanges Lernen, um eine enge Partnerschaft zwischen Wissenschaft und Finanzindustrie aufzubauen.
Causal Inference (Cause) widmet sich der methodischen Weiterentwicklung der Kausalinferenz, um über reine Korrelationen hinauszugehen und Ursache-Wirkungs-Beziehungen präzise zu identifizieren. Dies ist entscheidend für evidenzbasierte Entscheidungen in Bereichen wie Biomedizin, Sozialwissenschaften, Klimaforschung und Wirtschaft.
Computational Material Design Powered by Machine Learning (CMD-ML) erforscht, wie maschinelles Lernen die rechnergestützte Materialentwicklung beschleunigen kann. Ziel ist es, atomistische Struktur-Eigenschafts-Beziehungen besser zu modellieren und ML-Modelle direkt in Simulationen einzubinden. Aus diesem Fokusthema heraus wurde das Atomistic Modeling Center (AMC) der TUM gegründet.
InterConnect untersucht Graphen, Netzwerke und Konnektivitätsstrukturen in Disziplinen wie Biologie, Sozialwissenschaften, Verkehr oder Computernetzwerken. Mit Methoden wie neuronalen Graph-Netzwerken und topologischer Datenanalyse sollen Informationsflüsse, soziale Dynamiken oder Krankheitsausbreitung besser verstanden werden.
Privacy-Preserving and Trustworthy Machine Learning (PPTML) beschäftigt sich mit der Entwicklung von Methoden für maschinelles Lernen, die Datenschutz und Vertraulichkeit gewährleisten. Da sensible Daten in Medizin oder Wirtschaft oft nicht frei verfügbar sind, setzt das Thema auf Technologien wie differenzielle Privatsphäre, verschlüsselte Berechnung und föderiertes Lernen. Dieses Fokusthema hat den Grundstein gelegt für eine der drei deutschen Konrad Zuse Schools, die Konrad Zuse School of Excellence in Reliable AI (relAI).