Projekte

Die raschen Fortschritte bei der künstlichen Intelligenz und der drahtlosen Kommunikation von Gerät zu Gerät ermöglichen die Edge/Fog-Architektur als dichtes drahtloses Netz, das aus intelligenten Einheiten besteht, die lernen, Entscheidungen treffen und kommunizieren können. Es ist bekannt, dass die Zusammenarbeit kognitiver Einheiten eine subtile Aufteilung der Kosten, eine Aufteilung der Risiken und eine Aufteilung des Nutzens ermöglicht. Damit erschließt sie auch das wahre Potenzial des Edge Computing in Bezug auf Ressourceneffizienz (Selbstoptimierung), stabile verteilte Steuerung (Selbstorganisation) und Nachhaltigkeit (Selbstdiagnose und Selbstheilung). Trotz des großen Potenzials ist die Umsetzung der Zusammenarbeit in drahtlosen Netzen mit einigen erheblichen Hürden verbunden. Dazu gehören Informationsmangel, Heterogenität der Rand-/Nebelknoten, Kommunikationsbeschränkungen und Zufälligkeit der entscheidenden Optimierungsparameter. In diesem Projekt konzentrieren wir uns auf drei wesentliche Herausforderungen im autonomen Edge/Fog-Computing-Paradigma: verteiltes Aufgabenmanagement, effizientes Ressourcen-Pooling und strategische Funktionsplatzierung.

Das Ziel ist es, diese Probleme in einem realen System trotz der oben genannten Einschränkungen durch die Entwicklung von Kooperationsmethoden zu lösen. Kurz gesagt, das Projekt schlägt eine Brücke zwischen der Theorie der Kooperation in Multiagentensystemen und den praktischen Aspekten der drahtlosen Kommunikation, um einige der wichtigsten Herausforderungen des Edge-Computing-Paradigmas anzugehen. Das Ergebnis sind recheneffiziente Entscheidungsfindungsmethoden, die die Effizienz und Produktivität der Edge-Computing-Technologie in Bezug auf wichtige Leistungskennzahlen wie Energieeffizienz und Dienstverzögerung verbessern.

Dieses Projekt wird von der Deutschen Forschungsgemeinschaft (DFG) finanziell unterstützt. Die Laufzeit ist 09.2023 - 08.2026.

Die Synergie zwischen drahtloser Kommunikation, cyber-physischem Systemdesign und künstlicher Intelligenz ermöglicht den autonomen Betrieb moderner vernetzter Systeme. Bei solchen Infrastrukturen, die mehrere kritische Missionen unterstützen, ist die Bedeutung der Widerstandsfähigkeit offensichtlich und unbestreitbar. Die Knappheit der Ressourcen, die unvermeidliche Einführung von Technologien zur opportunistischen Ressourcenbeschaffung und Sicherheitsbedrohungen machen die Verwirklichung von Resilienz jedoch zu einer Herausforderung, da sie zu Schwankungen im wesentlichen Ressourcenfluss führen. In diesem Vorschlag konzentrieren wir uns auf zwei Szenarien, nämlich die gemeinsame Nutzung von Ressourcen und die Reservierung von Backup-Ressourcen, um die Widerstandsfähigkeit eines missionskritischen Systems von Systemen gegen vergessliche und nicht-vermeidende Angreifer zu erhöhen, die einen unbeständigen Ressourcenfluss erzeugen; daher stehen Unsicherheit und Informationsmangel im Mittelpunkt unserer Forschung. Wir behalten einen generischen Rahmen für Resilienz durch Netzwerkadaptivität bei, so dass unser Vorschlag eine Vielzahl von Anwendungen abdecken kann. Unsere Lösungen liegen an der Schnittstelle von konvexer Multiagenten-Online-Optimierung mit Bandit-Feedback, Online-Versteckspielen und statistischen Konzepten wie der Erkennung von Änderungspunkten. Die vorgeschlagenen Methoden sind für eine verteilte Implementierung geeignet, wodurch der Feedback- und Signalisierungs-Overhead erheblich reduziert wird. Wir werden eine strenge theoretische Analyse bezüglich Effizienz, Skalierbarkeit und Konvergenz durchführen. Außerdem werden wir die Leistungsgrenzen untersuchen.

Dieses Projekt wird von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Schwerpunktprogramms (SPP) "Resilienz in vernetzten Welten" finanziell unterstützt. Die Laufzeit ist 01.2024 - 12.2026.

Die Zusammenarbeit ermöglicht es intelligenten Systemen, wechselseitig und auf subtile Weise die Kosten zu teilen, die Risiken zu teilen und den Nutzen zu verteilen. So erschließt sie das wahre Potenzial kognitiver Netze in Bezug auf die Effizienz des Ressourceneinsatzes (Selbstoptimierung), die stabile verteilte Steuerung (Selbstorganisation) und die Nachhaltigkeit (Selbstdiagnose und Selbstheilung). Kooperative Kosten-, Risiko- und Ressourcenteilungsmechanismen haben eine breite Anwendbarkeit für das Management und die Optimierung technologischer Netzwerke. Sie finden auch in Politik und Wirtschaft Anwendung. Dennoch ist die Zusammenarbeit zwischen kognitiven Einheiten aufgrund verschiedener Probleme wie Informationsmangel, Interessenkonflikte und übermäßige Rechenkomplexität eine Herausforderung. Dieses Projekt zielt darauf ab, rigorose Entscheidungsmechanismen für die Zusammenarbeit zu entwickeln. Solche Mechanismen ermöglichen es kognitiven Entitäten, in komplizierten Szenarien strategisch zusammenzuarbeiten, z.B. unter Unsicherheit, bei eingeschränkter Kommunikation und in dynamischen Umgebungen. Die Bausteine solcher Mechanismen sind Verstärkungslernen oder inverses Verstärkungslernen, zusammen mit der Spieltheorie. Das Ergebnis eines solchen Mechanismus sind effiziente Gleichgewichte.

Dieses Projekt wird von Cyber Valley im Rahmen des Programms "Cyber Valley Research Fund" gefördert und läuft an der Universität Tübingen. Die Laufzeit ist 01.2022 - 6.2025.

Der Einsatz von KI/ML-basierten Strategien, die wenig oder gar keine Vorabinformationen erfordern, erhöht die Effizienz technologischer Netze in Bezug auf mehrere Leistungskennzahlen. Sie verringern beispielsweise den Signalisierungs- und Feedback-Overhead, verbessern die Sicherheit und den Datenschutz und sind mit den Eigeninteressen von Geräten, Anbietern und Beteiligten vereinbar. Dennoch müssen die algorithmischen Entscheidungsstrategien an die physikalischen Eigenschaften des Problems und die Besonderheiten des Kommunikationsmediums angepasst werden. In drahtlosen Netzen zum Beispiel verschärfen Interferenzen, Änderungen der Kanalqualität und Hardwarebeschränkungen das Problem.

Der Hauptbeitrag dieses Projekts ist die Entwicklung von KI/ML-basierten Entscheidungsstrategien für die Anwendung in drahtlosen Netzen. Diese Methoden sollen robust gegenüber Informationsknappheit sein und sich für eine verteilte Implementierung eignen. Insbesondere sollen die theoretischen Schemata zur Lösung mehrerer Forschungsprobleme auf verschiedenen Netzwerkschichten angewendet werden, darunter Funkressourcenmanagement, gemeinsame Kommunikation und Sensorik, Funktionsplatzierung, Multikonnektivität und Strahlenauswahl.

Dieses Projekt ist ein Teil des 6G-Forschungs- und Innovationsclusters. Das Forschungszentrum besteht aus mehreren Partnern, darunter Universitäten und Forschungsinstitute. Außerdem unterstützen viele Industriepartner das Projekt. Das Projekt wird vom deutschen Bundesministerium für Bildung und Forschung gefördert. Die Laufzeit ist 08.2021 - 07.2025.

Der mehrarmige Bandit ist eine Variante des sequentiellen Entscheidungsfindungsproblems unter Ungewissheit, wie es sich ein Spieler an einem Spielautomaten vorstellt. Während die ursprüngliche Formulierung nur einen Spieler umfasst, der sich dem Explorations-/Ausbeutungsdilemma gegenübersieht, wird die Herausforderung in einem Multi-Agenten-Szenario, in dem sich die Entscheidungsträger gegenseitig beeinflussen und sich begrenzte Ressourcen teilen, erheblich verschärft. Ein solches Szenario, das sich am Schnittpunkt zweier Säulen der künstlichen Intelligenz befindet, nämlich Entscheidungsfindung unter Unsicherheit und Multi-Agenten-Systeme, erfordert eine Analyse, die nicht nur auf der Regret-Performance basiert, sondern auch Konzepte wie Gleichgewicht, Fairness, Anreiz-Kompatibilität, Ertrag und Diffusion einbezieht. Mit einer zukunftsweisenden Vision zielt das Projekt MABISS darauf ab, einen strengen theoretischen Rahmen zu entwickeln, um das Multi-Agenten-Multi-Armed-Bandit-Problem in verschiedenen Umgebungen zu behandeln, insbesondere in solchen, die häufig in realen Anwendungen auftreten.

Dazu gehören vollständig verteilte Bandit-Spiele, der Entwurf von Bandit-Mechanismen, Netzwerk-Bandits und menschliche Bandits. Motiviert durch die ständig steigende Nachfrage nach drahtlosen Frequenzen liegt der anwendungsbezogene Schwerpunkt von MABISS auf der Herausforderung der verteilten intelligenten gemeinsamen Nutzung von Frequenzen für die Device-to-Device-Kommunikation, die eine Schlüsselrolle bei den aufkommenden Netzwerkparadigmen wie dem Internet der Dinge, Edge/Fog Computing und Small Cell Networks spielt. Unter Berücksichtigung der physikalischen Eigenschaften von drahtlosen Netzwerken untersucht MABISS das Problem, indem es die Theorie des Multi-Agenten-Multi-Armed-Bandits anwendet und Leistungsgrenzen liefert. Darüber hinaus plant MABISS auf der Grundlage der analytischen und numerischen Ergebnisse die Entwicklung einer intelligenten Testumgebung für die gemeinsame Nutzung von Frequenzen. Der Anwendungsbereich der Ergebnisse geht über die drahtlose Kommunikation hinaus und reicht von der Wissenschaft über die Technik bis hin zur digitalen Gesundheit und der digitalen Menschheit.

Dieses Projekt wurde vom Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms "Förderung des wissenschaftlichen Nachwuchses in der Künstlichen Intelligenz" gefördert. Die Laufzeit war 10.2020 - 09.2024.

Unbemannte Luftfahrzeuge (UAVs) werden die Welt voraussichtlich erheblich verändern, indem sie verschiedene Arten von Dienstleistungen erbringen, die auf andere Weise komplex, teuer oder gefährlich sind. Insbesondere helfen UAVs bei der Automatisierung in verschiedenen industriellen Bereichen wie der Landwirtschaft. Im Rahmen dieses Projekts dienen UAVs als bewegliche Basisstationen, um die drahtlose Konnektivität in der Landwirtschaft auf verschiedenen Ebenen zu verbessern, zum Beispiel zwischen landwirtschaftlichen Maschinen und Sensoren. Zur Optimierung der Steuerung und Ressourcenzuweisung von UAV-Netzwerken sind künstliche Intelligenz und maschinelles Lernen von großer Bedeutung.  Der Kernbeitrag dieses Projekts umfasst die Entwicklung ressourceneffizienter, genauer und interpretierbarer Algorithmen für Verbund- und Transferlernen, die von UAVs angewendet werden können, um die Leistung des landwirtschaftlichen Geländes aus verschiedenen Blickwinkeln und insbesondere im Hinblick auf die drahtlose Kommunikation zu optimieren.

Dieses Projekt wurde in Zusammenarbeit mit mehreren Partnern durchgeführt, darunter das Fraunhofer Heinrich-Hertz-Institut, die Universität Kaiserlautern, John Deere ETIC, Welotec GmbH und CiS GmbH. Es wurde durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert. Die Laufzeit war 05.2020 - 10.2023.

Beim Online-Lernen handelt es sich um eine Vielzahl von sequentiellen Entscheidungsproblemen unter Unsicherheit, bei denen ein Agent mit einer unbekannten Umgebung interagiert, indem er nacheinander eine Aktion aus einer Reihe von verfügbaren Aktionen auswählt. Die Umgebung kann verschiedene Zustände haben. Jede Aktion, wenn sie ausgewählt wird, führt zu einer zustandsabhängigen Belohnung. Oft ist es das Ziel des Entscheidungsträgers, eine Optimalitätsbedingung über den Interaktionshorizont zu erfüllen, die oft durch die kumulierte diskontierte Belohnung oder das kumulierte Bedauern definiert wird. Die Graphen-Signalverarbeitung (GSP) ist ein erst kürzlich entstandener Zweig der Signalverarbeitung. Das Ziel von GSP ist es, die übermäßige Menge an Daten, die unter verschiedenen Umständen, z. B. in einem Sensornetz, gesammelt werden, schnell und effizient zu verarbeiten. In diesem Projekt geht es darum, die Werkzeuge der Graphsignalverarbeitung zu entwickeln, anzupassen und zu integrieren, um schnelles und effizientes Online-Lernen und Entscheidungsfindung unter Unsicherheit zu ermöglichen.

Dieses Projekt wurde von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Exzellenzclusters Maschinelles Lernen finanziert: Neue Perspektiven für die Wissenschaft, an der Universität Tübingen. Die Laufzeit war 01.2020 - 12.2023.

Die Mean-Field-Theorie ist ein leistungsfähiges Instrument zur effizienten Annäherung an das Verhalten eines komplexen Systems, das mehrere Akteure umfasst. Bei dieser Annäherung ersetzt das mittlere Feld, d. h. die durchschnittliche Wirkung aller Akteure, die Interaktionen der einzelnen Akteure und dient als Grundlage für die Analyse. Die Mean-Field-Theorie findet in verschiedenen Bereichen Anwendung, unter anderem in der Netzwerkökonomie und -optimierung. Das Hauptziel dieses Projekts ist die Optimierung der Leistung von extrem dichten und ressourcenbeschränkten Netzwerken in verschiedenen Umgebungen unter Verwendung der Mean-Field-Theorie. Zu den Zielbedingungen gehören Netzwerke mit heterogenen Agenten oder Agenten mit eingeschränkten Interaktionen.

Dieses Projekt wurde in Zusammenarbeit mit Dr. Marc Sedjro am AIMS South Africa sowie mit Prof. Giuseppe Caire und Dr. Peter Jung an der Technischen Universität Berlin durchgeführt.  Das Projekt wurde durch den Deutschen Akademischen Austauschdienst (DAAD) und das Bundesministerium für Bildung und Forschung (BMBF) finanziell unterstützt. Die Laufzeit war 01.2022 - 06.2024.

Trotz des großen Potenzials zur Verbesserung der Nutzerzufriedenheit stellt die Netzkonvergenz eine Herausforderung dar, insbesondere im Hinblick auf Kontrolle, Verwaltung und Planung. Dazu gehören unter anderem die Auswahl der Betriebsart und des Netzes, die Zeitplanung, die Ressourcenzuweisung, das Interferenzmanagement und Ähnliches. Obwohl solche Herausforderungen bei der Steuerung und Planung fast jedes Netzparadigmas auftreten, verschärft das Konzept der Netzkonvergenz einige Schwierigkeiten. Insbesondere kann jedes eingebundene Netz seine eigenen PHY/MAC-Protokolle und eine eigene Zeitskala haben. Darüber hinaus hat jedes Netz seine eigenen Interessen aufgrund unterschiedlicher verfügbarer Funkressourcen, abonnierter Benutzer, stark nachgefragter Inhalte (Dateien) und Ähnlichem. In diesem Projekt konzentrierten wir uns auf die Selbstorganisation für die mobile Machine-to-Machine (M2M)-Kommunikation, die einer konvergenten (Broadcast-Wireless-Cellular) Infrastruktur zugrunde liegt. Zu den zu lösenden Problemen gehören die Ressourcenzuweisung und die gemeinsame Nutzung von Ressourcen, die Auswahl des Übertragungsmodus und die Übergabe, wobei die Mobilität und der Mangel an Informationen berücksichtigt werden. Um die formulierten Probleme zu lösen, modellieren wir jeden Nutzer als intelligenten Agenten und entwickeln Entscheidungsstrategien, die einige Optimalitätsbedingungen in Bezug auf die wichtigsten Leistungsindikatoren des Netzes und die Konvergenz garantieren. Zu diesem Zweck setzen wir Konzepte des maschinellen Lernens ein. 

Dieses Projekt wurde vom Einstein Center for Digital Future (ECDF) in Kooperation mit der Deutschen Telekom AG an der Technischen Universität Berlin finanziell unterstützt. Die Laufzeit war 05.2018 - 04.2022.

Die Einzelzell-RNA-Sequenzierung (scRNA-seq) ermöglicht eine massive Erfassung von Genexpressionen. Die gemessenen Einzelzell-Transkriptionsprofile können zur Identifizierung von Zelltypen, Zell-Subtypen und kontinuierlichen Genexpressionsgradienten, z. B. während Entwicklungs- oder Krankheitsprozessen, verwendet werden. Eine der größten Herausforderungen ist jedoch das hohe Maß an Stichprobenrauschen und fehlenden Daten, die die Transkriptionsmessungen der Zelltypähnlichkeit beeinträchtigen können. Darüber hinaus erschweren solche Beeinträchtigungen in den Daten die Identifizierung koregulierter Gruppen von Genen. Außerdem ist es derzeit nicht möglich, den Ursprung von Zelltypen in komplexen Organismen systematisch zu bestimmen. Der Schwerpunkt dieses Projekts liegt auf der Entwicklung und Anwendung neuer analytischer Ansätze zur effizienten Nutzung von Einzelzelldaten, um die folgenden Probleme zu lösen:

• Suche nach informativen Genen, die eine Gruppierung von Zellen und die Identifizierung von Zelltypen ermöglichen
• Analyse von koregulierten Genmodulen
• Integration anderer Datentypen, einschließlich Lineage Barcodes, die eine Rückverfolgung des Zellursprungs ermöglichen

Um diese Herausforderungen zu bewältigen, schlagen wir vor, Methoden aus der Computernetzwerkwissenschaft und dem Data Mining an das Problem der Zelltypidentifizierung anzupassen und genregulatorische Netzwerke sowie Zellstammbäume zu rekonstruieren. Dazu gehören statistische Netzwerkinferenz, Netzwerkvervollständigung und Netzwerkextrapolation sowie Werkzeuge wie Dimensionalitätsreduktion, Clustering und Anomalieerkennung.

Dieses Projekt war interdisziplinär im Rahmen der HEIBRIDS Graduate School of Data Science. Es wurde in Kooperation mit Prof. Uwe am Deutschen GeoForschungsZentrum, Helmholtz-Institut Potsdam, durchgeführt. Die Laufzeit war 2018 - 2022.