Pilotprojekte 2

Der Inkubator setzt weiterhin Impulse zur Stärkung der informations- und datenbasierten Forschung der Gemeinschaft.

So katalysiert der Inkubator die Entwicklung von zukunftsweisenden Projekten, welche die üblichen Disziplin- und Forschungsbereichsgrenzen überwinden. Mit einer zweiten Ausschreibung für Pilotprojekte im Jahr 2019 investiert Helmholtz in Summe zusätzlich über 40 Millionen Euro in die Zukunft der Forschung.

Zur Presseinformation

Der Klimawandel beeinflusst in besonderem Maße die polaren und Permafrost-Regionen durch steigende Temperaturen. Schmelzen von Eisschilden und Auftauen von Permafrost sind unmittelbare Folgen, die unter anderem zu einem Anstieg des Meeresspiegels führen. Diese Entwicklungen stellen gesellschaftliche Herausforderungen dar, die es zu quantifizieren und zu verstehen gilt.

Mit dem Projekt „Künstliche Intelligenz für kalte Regionen“ (AI-CORE) wird ein gemeinschaftlicher Ansatz verfolgt, um Methoden der Künstlichen Intelligenz (KI) für die Kryosphärenforschung zu erschließen. Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) wird diese gemeinsam mit dem Alfred Wegener Institut (AWI) und der TU Dresden entwickeln und im Rahmen einer Plattform für die Helmholtz-Gemeinschaft zur Verfügung stellen.

Weitere Informationen und Kontakt: Dr. Andreas Dietz (DLR)
Wie wird sich das Klima entwickeln, wie sicher ist unsere Energieversorgung, und welche Chancen bietet die molekulare Medizin?

Schnell wachsende Datenmengen eröffnen grundlegend neue Möglichkeiten, aktuelle Fragen aus Gesellschaft, Wissenschaft und Wirtschaft zu beantworten; Daten, Erkenntnisse und Vorhersagen sind jedoch unausweichlich mit Unsicherheit verbunden. Ziel des Projekts Uncertainty Quantification ist es, diese durch Methoden der Wahrscheinlichkeitstheorie zu begreifen und in Forschung und Kommunikation einzubeziehen. Das Projekt vernetzt angewandte Forschende aus den vier Forschungsbereichen Erde & Umwelt, Energie, Gesundheit und Information untereinander sowie mit Helmholtz-Datenwissenschaftlern und externen Hochschulpartnern aus Mathematik und Ökonometrie.

Weitere Informationen und Kontakt: Prof. Dr. Martin Frank (KIT) und Prof. Dr. Christiane Fuchs (HMGU)
Das Pilotlab Exascale Earth System Modelling erforscht spezifische Konzepte für Erdsystemmodelle auf Exascale-Supercomputern.

Sogenannte Extremereignisse – etwa durch den Klimawandel ausgelöste Orkane, Dürreperioden oder Starkregen – können zu drastischen Veränderungen in Gesellschaft und Umwelt führen. Aktuelle Klimamodelle sind jedoch gerade bei der Simulation solcher Ereignisse noch nicht präzise genug und müssen viel feiner aufgelöst werden. Die Rechenleistung aktueller Supercomputer lässt sich jedoch nicht einfach steigern – unter anderem würde dies viel zu viel Energie erfordern. Daher sind grundlegend neue Konzepte der Modellierung nötig. Im PL-EESM erarbeiten Wissenschaftlerinnen und Wissenschaftler sowie Informatikerinnen und Informatiker gemeinsam die benötigte Software und neue Hardware-Konzepte.

Weitere Informationen und Kontakt: PD Dr. Martin Schultz (Forschungszentrum Jülich)
Ptychographie ist eine rechnerische Methode, die korrelierte Messungen ausnutzt, um ein Objekt auf Basis von Beugungsbildern zu rekonstruieren.

Die Nutzung dieser ‚virtuellen Linse‘ erlaubt es, mikroskopische Bildgebung über die Grenzen klassischer Optik hinaus zu treiben. Die Methode hat jüngst enorm an Interesse hinzugewonnen. Dies beruht auf der Verfügbarkeit eines iterativen Algorithmus‘ zur Lösung des Rekonstruktionsproblems und ausreichend Rechenkapazität, um mit großen Datenmengen und hohem Rechenaufwand umgehen zu können. Das Projekt greift die Herausforderung auf, Ptychographie zum Routineeinsatz mit verschiedenen Strahlungsquellen (Röntgenstrahlung, Elektronen, XUV Licht) zu bringen. Dazu wird optische Expertise mit Datenwissenschaften kombiniert. Ptychography 4.0 trennt die Datenerhebung und -prozessierung, so dass Ressourcen dort genutzt werden, wo sie in geeignetster Weise vorhanden sind.

Weitere Informationen und Kontakt: PD Dr. Wolfgang zu Castell (HMGU) und Prof. Dr. Christian Schroer (DESY)
Die Satellitentechnik und insbesondere GPS- oder GNSS-Technologien werden für unsere Gesellschaft immer wichtiger.

Plasmadichtestrukturen im erdnahen Weltraum können jedoch die Ausbreitung von GPS-Signalen und damit die Genauigkeit der GPS-Navigation erheblich beeinflussen. Darüber hinaus können Weltraumplasmen auch Satelliten beschädigen. Um diese Auswirkungen der Weltraumumgebung zu untersuchen, ist es wichtig, ein genaues Modell der Plasmadichte zu entwickeln, das auf einer Vielzahl von direkten und indirekten Messungen basiert.

In diesem Pilotprojekt werden wir zeigen, wie mit Methoden maschinellen Lernens ein globales empirisches Echtzeitmodell der erdnahen Plasmadichte basierend auf einer Vielzahl von Messungen erstellt werden kann. Das Modell, das wir im Anschluss an dieses Projekt entwickeln werden, wird dann alle verfügbaren Daten nutzen und von einem breiten Spektrum von Interessengruppen für die GPS-Navigation und den Satellitenbetrieb genutzt werden.

Weitere Informationen und Kontakt: Prof. Dr. Yuri Shprits (GFZ) und Dr. Dominika Sörgel (GFZ)
In allen Gebieten von Wissenschaft und Gesellschaft sind große, komplexe und hochdimensionale Daten heutzutage allgegenwärtig. Machine Learning- und KI-Methoden sind bereits sehr effektiv darin, solche Daten für Prognosen zu nutzen.

Das Projekt SIMCARD wird neuartige Machine Learning-Verfahren entwickeln, die robust und zuverlässig sind und über einfache Vorhersagen hinausgehen. Der Fokus liegt dabei auf neuen Methoden für die Modellierung sehr großer Netzwerke und die Zuverlässigkeit von Vorhersagen. Ziel ist es, mit passgenauen skalierbaren, fundierten und interpretierbaren Data Science Methoden Antworten auf drängende Probleme in vielfältigen Anwendungsbereichen zu liefern. Das Projekt adressiert insbesondere die Felder datenintensive Biomedizin und Wettervorhersage.

Weitere Informationen und Kontakt: Melanie Schienle und Sach Mukherjee
Um zukünftige Herausforderungen zu bewältigen, müssen Daten, Rechenleistung und analytische Kompetenz in beispiellosem Ausmaß zusammengebracht werden.

Konventionelle Analysesysteme sind oftmals zentralisiert und haben dadurch erhebliche Nachteile aus technischer, rechtlicher, politischer und ethischer Sicht, insb. Aufgrund komplexer Sicherheits- oder Vertrauensanforderungen. Als Alternative dazu erleichtert das interdisziplinäre Projekt die Etablierung von dezentralen, kooperativen Datenanalysearchitekturen, indem Algorithmen auf vertrauenswürdige und gesetzeskonforme Weise zu den Daten gebracht werden. TFDA wird sich mit den notwendigen technischen, methodischen und rechtlichen Aspekten befassen, um die Vertrauenswürdigkeit der Analyse und die Transparenz der Analyseeingaben und -ausgaben zu gewährleistet. Diese Entwicklungen werden im Anwendungsfall einer föderierten Strahlentherapiestudie validiert; dann werden die Ergebnisse verbreitet.

Weitere Informationen: https://tfda.hmsp.center

Kontakt: Mario Fritz und Ralf Floca

Pilotprojekte 2

Artificial Intelligence for Cold Regions (AI-CORE)

Uncertainty Quantification – From Data to Reliable Knowledge (UQ)

Pilot Lab Exascale Earth System Modelling (PL-EESM)

Ptychography 4.0

MAchine learning based Plasma density model (MAP)

SIMCARD

Trustworthy Federated Data Analytics (TFDA)