GAIN

Graphs in Artificial Intelligence and Neural Networks

Motivation

KI-Nachwuchswissenschaftlerinnen Mit der Bekanntmachung „Förderung von KI-Nachwuchswissenschaftlerinnen“ vom 19. Juni 2019 wird das Ziel verfolgt, den Anteil qualifizierter Frauen in Führungspositionen der deutschen KI-Forschung zu steigern und den Einfluss von Wissenschaftlerinnen auf das Themengebiet nachhaltig zu stärken. Die Erforschung von KI-Fragestellungen zu neuartigen und innovativen Themen durch Nachwuchsgruppen, die von Frauen geleitet werden, steht im Fokus. Nachwuchswissenschaftlerinnen aus den Fachbereichen Informatik, Mathematik, Physik, Linguistik, Neuro- und Kognitionswissenschaften, Psychologie oder angrenzender Fachgebiete sowie aus KI-bezogenen Spezialisierungen in Anwendungsgebieten werden gefördert, um die Forschung zum Thema KI in Deutschland weiter voranzubringen und um die verantwortungsvolle Beteiligung von herausragend qualifizierten Frauen im Wissenschaftssystem weiter zu erhöhen. Mit der Förderung der Nachwuchsgruppen soll den Wissenschaftlerinnen die Möglichkeit gegeben werden, eigenständige Forschung zu betreiben, ihr wissenschaftliches Profil zu stärken und ihre Sichtbarkeit zu erhöhen. KI für eine bessere Nutzung von erneuerbarer Energie Dank der stark gestiegenen Rechenleistung von Computern und der Verfügbarkeit großer Datenmengen haben künstliche neuronale Netze (KNN) in den letzten Jahren das Maschinelle Lernen revolutioniert. In Bereichen wie Bildklassifikation, Gesichtserkennung und Computerspielen wurden Ergebnisse erzielt, die stellenweise über das menschliche Vermögen hinausgehen. Im industriellen Kontext gibt es eine große Anzahl an Anwendungen, in denen Daten keine regulären Strukturen aufweisen, sondern als sogenannter Graph vorliegen, also als eine Menge aus Knotenpunkten und ihren Verbindungen. Hierzu gehören z. B. verschiedenste soziale Netzwerke oder auch Versorgungsstrukturnetze.

Ziele und Vorgehen

Graph-Neural-Networks (GNNs) erweitern die Konzepte klassischer KNN auf Daten, welche in Form von Graphen vorliegen. Im Projekt GAIN sollen bisher unbeantwortete Fragen zur Dynamik und Erklärbarkeit von GNNs gelöst werden. Konkret sollen innovative Modelle für dynamische und erklärbare GNNs entwickelt werden. Dynamik bedeutet hier eine variable Knoten- und Verbindungszahl, sowie sich zeitlich ändernde Merkmale der Knoten im Graph. Erklärbarkeit bedeutet, dass dem Nutzer, im Gegensatz zu anderen Verfahren des Maschinellen Lernens, nicht nur eine Vorhersage geliefert wird, sondern auch eine Begründung für diese.

Innovationen und Perspektiven

Die im Projekt entwickelten Modelle werden anhand von Use Cases im Kontext von Infrastrukturnetzen validiert. Die Verwertung innerhalb des Projektes wird hauptsächlich wissenschaftlich erfolgen, d. h. die Ergebnisse werden auf Konferenzen und in wissenschaftlichen Journalen publiziert. Es sollen mindestens zwei Mitarbeitende ihre Promotion während der Projektlaufzeit abschließen können, darüber hinaus sind weiter Qualifizierungsarbeiten geplant.

Projektinformation

Projektleitung

Universität Kassel
Mönchebergstr. 19
34125 Kassel

Volumen

2.095.819,00 €

Laufzeit

07/2026 – 07/2026

Projektpartnerinnen und -partner

Universität KasselFraunhofer Institut für Energiewirtschaft und Energiesystemtechnik (IEE)