News

06.02.2020

Daten und Wissen vernetzen

Mit Hilfe von Deep-Learning-Verfahren erstellt die Arbeitsgruppe „Big Data Analytics“ ein hochgenaues Modell des menschlichen Gehirns, dessen Auflösung bis zu einzelnen Nervenzellen herunterreichen wird. Dabei will die Gruppe Lösungen entwickeln, die auch andere Forschungsbereiche nutzen können

Forschungszentrum Jülich/Ralf-Uwe Limbach
KI-Experte Timo Dickscheid entwickelt Deep-Learning-Verfahren, um Modelle des menschlichen Gehirns zu verbessern. Foto: Forschungszentrum Jülich/Ralf-Uwe Limbach


Medizin, Klimaforschung, Luft- und Raumfahrt: Die Vielfalt der Disziplinen, für die KI eine Rolle spielt, findet sich auch innerhalb der Helmholtz-Gemeinschaft wieder. Um Zusammenarbeit und Austausch von Wissen und Daten innerhalb des Forschungsverbundes zu unterstützen, baut die Helmholtz-Gemeinschaft zurzeit eine interdisziplinäre Plattform auf, die sie dauerhaft mit einem jährlichen Betrag von 11,4 Millionen Euro fördert: die Helmholtz AI – Helmholtz Artificial Intelligence Cooperation Unit.

„Das Helmholtz Zentrum München verbindet als zentrale Einheit mehrere Helmholtz-Zentren, die lokale Einheiten mit thematischen Schwerpunkten bilden. Jülich deckt insbesondere den Bereich Schlüsseltechnologien/Information ab“, sagt Dr. Timo Dickscheid, KI-Experte vom Institut für Neurowissenschaften und Medizin (INM-1). „Jede lokale Einheit besteht aus einer vollausgestatteten Nachwuchsgruppe und einem High-Level-Support-Team, das andere Wissenschaftler in ihren Projekten durch AI-Expertise unterstützt.“

Dickscheids Arbeitsgruppe „Big Data Analytics“ wird eine wichtige Rolle für das Jülicher Segment spielen. Sie erstellt ein hochgenaues Modell des menschlichen Gehirns, dessen Auflösung bis zu einzelnen Nervenzellen herunterreichen wird. Dazu baut die Gruppe Deep-Learning-Verfahren weiter aus, um mikroskopische Bilddaten in der Größenordnung mehrerer Terabyte zu analysieren. Die KI soll lernen, automatisch Mikrostrukturen zu detektieren, Hirnareale zu kartieren und Tausende Gewebeschnitte zu 3-D-Ansichten des Gehirns zusammenzusetzen. Dabei will die Gruppe Lösungen entwickeln, die auch andere Forschungsbereiche nutzen können – wie etwa das Lernen mit nur wenigen Trainingsbeispielen.

Auch die Forschungsgruppe „Cross-Sectional Team Deep Learning“ vom Jülich Supercomputing Centre (JSC), die Prof. Morris Riedel und Dr. Jenia Jitsev leiten, ist an der Jülicher Einheit von Helmholtz AI beteiligt. Sie wird gemeinsam mit dem neuen High-Level-Support-Team des JSC die Machine- und Deep-Learning-Forschung vorantreiben und unterstützen. Schwerpunkt werden großskalige lernfähige neuronale Netzwerke sein. Diese können aus einem kontinuierlichen Datenstrom über Wochen oder Monate hinweg lernen und das Gelernte auf verschiedene Aufgaben übertragen, die nur aus wenigen Beispielen bestehen. Mithilfe dieses Transfer-Learnings lassen sich etwa in der Physik aufwendige klassische Simulationen verbessern. Dazu werden die lernenden neuronalen Netzwerke an die Simulationen gekoppelt, um deren Modelle durch erzeugte und beobachtete Daten immer weiter zu optimieren.

Dieser Artikel ist zuerst in effzett - Das Magazin aus dem Forschungszentrum Jülich erschienen.

download