MDSI Anschubfinanzierung

Active Learning of Graph Neural Network Potentials from Quantum and Experimental Data (Active Learning Q&E) entwickelt daten-effiziente GNN-Potenziale aus DFT- und experimentellen Daten. Aktives Lernen wählt gezielt unsichere Konfigurationen zur Annotation aus. Der Fokus liegt auf effizienten Methoden zur Unsicherheitsquantifizierung. Die Ansätze werden anhand von Molekulardynamik-Daten evaluiert.

Advancing Spatiotemporal Pattern Analysis Using Top-Level Sports Data (ASPAS) analysiert großskalige spatiotemporale Bewegungsdaten mit Methoden des maschinellen Lernens. Der Fokus liegt auf der Mustererkennung und kompakten Repräsentation von Trajektorien mittels semi-supervised Learning. Die Ansätze werden anhand von Fußball-Tracking-Daten entwickelt und getestet. Die gelernten Repräsentationen unterstützen Clustering und die Vorhersage von Bewegungsmustern.

Algebraic Topology Preservation Learning for Image Segmentation (ATPL4IS) verbessert die medizinische Bildsegmentierung durch den Erhalt topologischer Strukturen. Persistente Homologie wird über eine neuartige Verlustfunktion in Deep Learning integriert. So wird die Konsistenz zwischen Vorhersage und Ground Truth sichergestellt und die Segmentierungsqualität erhöht.

ClimVine: Drought and Late-Frost Risk in a Changing Climate untersucht das gemeinsame Risiko von Dürre und Spätfrost im Klimawandel. Dafür wird ein statistischer Ansatz mit einem Y-Vine-Copula-Modell zur Abbildung ihrer Abhängigkeit entwickelt. Die Methoden werden auf Klimadaten für Bayern angewendet. Die Ergebnisse unterstützen eine verbesserte Risikobewertung von Wäldern und das Ökosystemmanagement.

Deep Learning for De Novo Peptide Sequencing (DL4DNPS) entwickelt Deep-Learning-Methoden zur de novo Peptidsequenzierung aus Massenspektrometrie-Daten. Es umfasst Tools wie Koina und Oktoberfest zur Standardisierung und Beschleunigung der Analyse. Darauf aufbauend verbessert das Modell Spectralis die Sequenzvorhersage und Bewertung. Der Ansatz erhöht Skalierbarkeit und Genauigkeit in der Proteomik.

3D Human Motion Capture for Cooperative Construction Robotics (HuMoCap) entwickelt ein 3D-Motion-Capture-System für sichere Mensch-Roboter-Zusammenarbeit im Bauwesen. Es kombiniert visuell-inertiales SLAM mit Deep Learning zur Schätzung der Ganzkörperpose unter schwierigen Bedingungen. Der Ansatz wird auf kooperative Aufgaben wie das Ziegellegen angewendet. Er ermöglicht präzises Tracking und unterstützt autonomere Zusammenarbeit.

HybridD3: Data Insights for Whom? Hybrid Data-Driven Decision-Making in Educational Contexts untersucht hybride Mensch-KI-Entscheidungsprozesse in der Hochschulbildung. Es vergleicht, wie Lernende Daten durch KI-Tutoren und menschlich gesteuerte Interaktionen nutzen. Mit der Plattform ARTEMIS werden Lernergebnisse anhand von Echtzeitdaten analysiert. Ziel ist die Gestaltung effektiver datenbasierter Lernsysteme.

Mathematics-driven environmental sensing (MES) entwickelt mathematische Methoden zur Umweltmessung städtischer Treibhausgasemissionen. Es nutzt Sensordaten und Compressed-Sensing-Techniken zur Lokalisierung von Emissionsquellen. Dabei werden Herausforderungen wie Messkohärenz und Unsicherheiten adressiert. Ziel ist eine genauere Klimabeobachtung in Städten.

Machine Learning for Medicine: Accelerating Metadynamics of Supramolecular Host-Guest Complexes for Therapy and Imaging (MiAMI) entwickelt ML-basierte Methoden zur Modellierung supramolekularer Host-Guest-Systeme. Es kombiniert Quantenchemie, Kraftfelder und ML-Potenziale zur Analyse der Strukturdynamik. Dabei wird der Einfluss verschiedener Modellierungsansätze auf Stabilität und Flexibilität untersucht. Ziel ist eine Grundlage für biomedizinische Anwendungen.

Mobilität.Leben.daTUM (M.L.daTUM) analysiert die Auswirkungen des 9-Euro-Tickets mithilfe von Umfragen, App-basiertem Mobility-Tracking und Verkehrsdaten. Es verbindet individuelles Verhalten mit stadtweiten Mobilitätsmustern. Die Daten ermöglichen Forschung in Mobilität, Ökonomie und Politik. Ziel ist die Identifikation vielversprechender Forschungsrichtungen.

Multi-Modal Foundation Models for Particle Physics under Model Misspecification (MMFM) entwickelt skalierbare multimodale Foundation-Modelle für die Teilchenphysik. Es kombiniert Self-Supervised Learning und Alignment-Methoden zur Bewältigung von Domain Shifts zwischen Simulation und realen Daten. Die Modelle unterstützen Aufgaben wie Klassifikation und Teilchenidentifikation. Ziel ist die Entwicklung allgemein einsetzbarer Modelle.

Netrium: Precise and Fast Model Prediction with Machine Learning entwickelt ein ML-Modell zur Beschleunigung der Neutrinomassenanalyse im KATRIN-Experiment. Es sagt das Tritium-Betaspektrum präzise auf Basis physikalischer Parameter voraus. Dabei wird die Rechenzeit stark reduziert, bei gleichzeitig hoher Genauigkeit. Dies ermöglicht eine effizientere Datenanalyse.

Fast and Accurate 3D Image Segmentation by Matching Topological Features (Segmatch3D) entwickelt schnelle, topologieerhaltende Methoden für die 3D-Bildsegmentierung. Es erweitert persistent-homologiebasierte Ansätze auf volumetrische Daten. Eine effiziente Implementierung ermöglicht das Training auf großen Datensätzen. Der Ansatz unterstützt Anwendungen wie Gefäßsegmentierung und Zellverfolgung.

Seismic Safety untersucht die Auswirkungen geothermiebedingter Mikroseismik auf Gebäude. Es nutzt Sensordaten und Machine Learning zur Modellierung und Vorhersage struktureller Reaktionen. Surrogatmodelle quantifizieren Unsicherheiten und verbessern die Prognosen. Ziel ist die Entwicklung von Vibrationsvorhersagen zur Erhöhung der Sicherheit.

Synthetic Benchmark Datasets for Finance (SyBenDaFin) entwickelt synthetische Benchmark-Datensätze für Finanzanwendungen im Machine Learning. Es adressiert Datenknappheit und Datenschutzprobleme realer Finanzdaten. Mithilfe von Simulationen und generativen Methoden werden zugängliche Referenzdaten mit quantifizierter Unsicherheit erstellt. Ziel ist die Etablierung von Benchmarks für ML-Modelle im Finanzbereich.

VineGP: Learning Predictive Vine Copula Models for Complex Plant Traits entwickelt prädiktive Vine-Copula-Modelle für die genomische Vorhersage von Pflanzenmerkmalen. Es erfasst komplexe, nichtlineare Abhängigkeiten zwischen genetischen und Umweltfaktoren. Der Ansatz verbessert die Vorhersagegenauigkeit und identifiziert relevante SNPs. Er bietet neue Werkzeuge für die Pflanzenzüchtung.

Explainable AI to Understand the Impact of Life Events on Travel Behavior Change (XAITraB) untersucht mit erklärbarer KI, wie Lebensereignisse das Mobilitätsverhalten beeinflussen. Es analysiert Veränderungen in Aktivitätsmustern, Weglängen und Verkehrsmitteln. Mithilfe longitudinaler Daten werden einzelne und kombinierte Effekte erfasst. Ziel ist ein besseres Verständnis des Mobilitätsverhaltens im Vergleich zu klassischen Modellen.