Ilmenauer Top-Forschung: Maschinelles Lernen für mehr Sicherheit!

Ilmenau, Deutschland - Die Technische Universität Ilmenau ist neuer Partner in einer Forschungsgruppe der Deutschen Forschungsgemeinschaft (DFG), die sich mit den Herausforderungen des maschinellen Lernens befasst. Ein zentrales Ziel dieser Gruppe ist es, maschinelles Lernen sicherer, leistungsfähiger und dateneffizienter zu gestalten. Die Forschungsbemühungen konzentrieren sich insbesondere auf selbst lernende komplexe Regelungssysteme sowie sicherheitskritische Anwendungen in diversen Bereichen wie elektrischen Energiesystemen, autonomem Fahren und Robotik. Das Projekt wird von der Leibniz Universität Hannover koordiniert und startete Ende April mit einem internationalen Workshop.

Das Projekt erhält Fördermittel in Höhe von knapp 3,5 Millionen Euro für eine Laufzeit von vier Jahren, von denen 486.400 Euro der Technischen Universität Ilmenau zugutekommen. Unter der Leitung des Ilmenauer Mathematikprofessors Karl Worthmann soll die Verbindung von maschinellem Lernen und mathematischer Präzision weiter gestärkt werden. Maschinelles Lernen spielt eine zentrale Rolle bei der Entwicklung von Künstlicher Intelligenz, ist jedoch bei bestehenden Sicherheitsanforderungen im laufenden Betrieb häufig mit Limitationen konfrontiert.

Integration von ML in Sicherheitskritische Anwendungen

Zusätzlich zur Forschungsgruppe bietet die Fraunhofer-Gesellschaft in ihren Workshops Unterstützung für die Integration von maschinellem Lernen in sicherheitskritische Anwendungen in der Industrie an. Ziel ist es, die Prinzipien der funktionalen Sicherheit zu wahren und geltende sowie zukünftige Normen für Künstliche Intelligenz zu berücksichtigen. Die Teilnehmer lernen, die Auswirkungen von maschinellem Lernen (ML) auf funktionale Sicherheit zu erkennen und entwickeln ein projektspezifisches Safety-Lebenszyklus-Modell mit speziellen Sicherheitsaktivitäten für ML-basierte Funktionen.

Das Training richtet sich an Ingenieurinnen und Ingenieure, die KI in Produktionsprozesse integrieren und entsprechende Sicherheitsnachweise erbringen müssen. Es bietet ein strukturiertes Rahmenwerk zur Gewährleistung der Sicherheit von ML und vermittelt bewährte Methoden zur Identifikation und Korrektur von möglichen Mängeln in ML-Systemen.

Neuronale Netze als Schlüsseltechnologie

Ein grundlegendes Element des maschinellen Lernens sind neuronale Netze, die von den Verbindungen der Nervenzellen im menschlichen Gehirn inspiriert sind. Diese Netze bestehen aus mehreren Reihen von Datenknoten, die durch gewichtete Verbindungen vernetzt sind. Beim Training eines neuronalen Netzes erfolgt eine wiederholte Präsentation der Daten, wodurch das Netzwerk lernt, diese besser einzuordnen.

Durch das Anpassen der Gewichtungen zwischen den Neuronen-Schichten kann das erzeugte Modell auf unbekannte Daten angewendet werden. Besonders leistungsfähig sind „Deep Neural Networks“, die durch ihre zahlreichen Schichten die Lösung komplexerer Probleme ermöglichen. Die Techniken des Deep Learning haben das Potenzial, innovative Möglichkeiten in Bereichen wie der Automatisierung und robotergestützten Funktionen zu eröffnen.

Die Integration dieser fortschrittlichen ML-Technologien in sicherheitskritische Bereiche ist von höchster Bedeutung und führt zu der Notwendigkeit, standardisierte Sicherheitsanforderungen zu entwickeln. Dies stellt sicher, dass innovatives maschinelles Lernen auch in sicherheitsrelevanten Anwendungen erfolgreich und verantwortungsbewusst eingesetzt werden kann.

Informationen zu den aktuellen Entwicklungen sind auf den Websites der Technischen Universität Ilmenau, des Fraunhofer IKS und der Fraunhofer AG zu finden.