07.11.2024
Künstliche Intelligenz (KI) ist bereits heute Teil unseres Alltags. Neben vielen neuen Möglichkeiten gibt es auch Herausforderungen, beispielsweise bei der Zuverlässigkeit und Nachhaltigkeit von KI-Anwendungen. Das Bundesministerium für Bildung und Forschung (BMBF) fördert daher 15 Projekte, die diese Herausforderungen bearbeiten und exzellente Grundlagenforschung in die Anwendung bringen sollen. Das Forschungszentrum Jülich ist an drei Projekten beteiligt und übernimmt im Projekt RAINA die Projektkoordination.
Ob Sprachassistenten, Smart Home oder medizinische Diagnostik – KI wird in den unterschiedlichsten Bereichen eingesetzt. Doch nicht immer funktionieren Machine-Learning-Modelle zufriedenstellend, vor allem wenn sie mit unerwarteten Veränderungen konfrontiert sind. Hinzu kommt, dass der Stromverbrauch in den nächsten Jahren steigen wird, weil das Training von KI sehr energieintensiv ist. Daher fördert das BMBF innovative Projekte, in denen die Flexibilität, Resilienz und Effizienz von KI-Systemen mit neuen Ansätzen verbessert wird. Das Forschungszentrum Jülich ist an drei Kooperationen beteiligt.
Vor dem Hintergrund des Klimawandels wird eine verlässliche Wetter- und Klimavorhersage immer wichtiger, damit geeignete Anpassungsstrategien entwickelt werden können. Die Kurzfristvorhersage und die Vorhersage von extremen Wetterereignissen sind jedoch schwierig und sehr rechenintensiv. Unter Leitung von Prof. Dr. Martin Schultz vom Forschungszentrum Jülich entwickeln Forschende im Projekt RAINA ein KI-Grundlagenmodell, das auf Deep Learning basiert. Deep Learning ist eine Methode des maschinellen Lernens, bei der künstliche neuronale Netzwerke verwendet werden, um große Datenmengen zu analysieren und Muster zu erkennen. Das Besondere an einem Grundlagenmodell (englisch: foundation model) ist, dass hierbei viele verschiedene Daten zusammengeführt werden können, um eine sehr detaillierte und abstrakte Darstellung des Wettergeschehens zu erhalten. Diese kann dann für unterschiedliche Anwendungen weiter genutzt werden und liefert, zum Beispiel bei Vorhersagen, bessere Ergebnisse als Modelle, die genau auf dieses Ziel hin trainiert wurden. In dem Projekt wird ein bestehender Modell-Prototyp für eine genauere Darstellung extremer Wind- und Niederschlagsereignisse weiterentwickelt, wobei die Auflösung des Modells von derzeit 25 km auf 1 km verfeinert wird. Das Modell wird es zudem erlauben, sowohl die Unsicherheit von Vorhersagen als auch die Unsicherheit des Modells selbst zu bewerten. Zum Projektende soll eine hochauflösende Wettervorhersage für bis zu 24 Stunden in bisher unerreichter Qualität möglich sein. Projektpartner in RAINA sind der Deutsche Wetterdienst, das Europäische Zentrum für Mittelfristige Wettervorhersage und die Rheinische Friedrich-Wilhelms-Universität Bonn.
Proteine regulieren Zellprozesse und spielen eine wichtige Rolle in der Körperbiologie. Treten Fehlfunktionen auf, können Krankheiten wie Alzheimer oder Parkinson die Folge sein. Daher ist es wichtig, die grundlegenden Prozesse zu verstehen, um so beispielsweise neue Impf- und Wirkstoffe entwickeln zu können. Mit bestehenden experimentellen Methoden und Computersimulationen ist eine Untersuchung von großen Proteinen jedoch sehr aufwendig. Zusammen mit Forschenden der Freien Universität Berlin möchte Dr. Stefan Kesselheim vom Forschungszentrums Jülich daher im Projekt FAIME eine neuartige Simulationsmethode entwickeln und mit Hilfe von KI die Computersimulationen von Proteinen um ein Vielfaches beschleunigen. Um die Wechselwirkungen besser zu verstehen, verwendet das Konsortium sogenannte „Graph Neural Networks“, eine spezielle Art von neuronalen Netzwerken, für die Modellierung von Molekülen. Im Mittelpunkt der Forschung steht ein medizinisch relevantes Problem: die Aktivierung des Immunsystems und die Proteinansammlung bei der Alzheimerkrankheit. Eine Erweiterung der Software auf andere Anwendungsgebiete, beispielsweise die Entwicklung von Arzneimitteln, soll ebenfalls möglich sein. Die entwickelte Software steht der Wissenschaft nach Ende des Projektes zur freien Verfügung.
Sprachmodelle wie ChatGPT sind vielleicht die sichtbarsten Beispiele für Anwendungen im Bereich KI. Sie beruhen auf sogenannten KI-Grundlagenmodellen, auch Foundation Modelle genannt, die mit großen Mengen generischer Daten trainiert wurden. Obwohl sie beeindruckend sind, machen sie zugleich unerwartete Fehler, selbst bei einfachen Aufgaben. Im Projekt OPENHAFM stehen daher die Zuverlässigkeit und Leistungsfähigkeit von Foundation Modellen im Mittelpunkt. Gemeinsam mit Forschenden vom Max-Planck-Institut für Intelligente Systeme und der Eberhard Karls Universität Tübingen stellt Dr. Jenia Jitsev vom Forschungszentrum Jülich zunächst neuartige Benchmarks auf, um die Schwachstellen der Modelle beim Verallgemeinern und im logischen Schlussfolgern zu entdecken. Darüber hinaus sollen Unterschiede zwischen menschlichem und maschinellem Verhalten analysiert werden. Anschließend werden verschiedene Verfahren kombiniert, um die Qualität und Relevanz der Daten für das Training der Foundation Modelle zu verbessern. Wichtiger Bestandteil der Studie ist eine Untersuchung der Skalierungsgesetze, d.h. wie sich die Eigenschaften und Fähigkeiten der Foundation Modelle verändern, wenn Modellgröße, Trainingsdaten und Trainingsdauer steigen. Ziel ist es, KI-Grundlagenmodelle dahingehend zu verbessern, dass sie auch in kritischen Bereichen eingesetzt werden können, beispielsweise für Fortschritte in der Medizin, beim autonomen Fahren und allgemein in wissenschaftlichen Anwendungen.
Head of research group Earth System Data Exploration and co-lead of division Large Scale Data Science, University professor in Computational Earth System Science at the University of Cologne.
Head of SDL Applied Machine Learning & AI Consultant team
