Helmholtz AI Consultant Team
Das Ziel von Helmholtz AI:(1) ,,Wir verbreiten die Nutzung von KI zur Lösung wissenschaftlicher Pionierfragen! Zudem wollen wir ihre Leistungsfähigkeit zur Lösung der großen Herausforderungen in Forschung und Gesellschaft nutzen."
Über die Grenzen von einzelnen Instituten und Helmholtz-Zentren hinweg werden diese Ziele durch regelmäßige Förderungen und Collaboration-as-a-Service-Angeboten und vielen anderem mehr umgesetzt. Am HZDR wurde eine Young Investigator Gruppe und ein Helmholtz AI Consultant Team unter Dr. Peter Steinbach installiert. Beide Gruppen bilden die Helmholtz AI Local Unit zur Unterstützung der Wissenschaflter des gesamten Fachbereichs Materie in der Helmholtz-Gemeinschaft. Diese Webpräsenz stellt das Helmholtz AI Consultant Team vor.
Mandat
Das Mandat des Helmholtz AI Consultant Teams am HZDR besteht in der Beratung von Wissenschaftlern im Fachbereich Materie der Helmholtz-Gemeinschaft im Hinblick auf die methodische Anwendung automatisierter Datenverarbeitung und Wissensextraktion. Wir wollen moderne Vorgehensweisen im Bereich des maschinellen Lernen und der Data Science verbreiten. Damit hoffen wir, das Verständnis der Daten unserer akademischer Kooperationspartner auf dem internationalen wissenschaftlichen Parkett zu beschleunigen sowie Ihnen einen Wettbewerbsvorteil zu geben. Innerhalb dieses Mandats werden wir Methoden und Werkzeuge vorran bringen, um die investierte Zeit bis zur Lösung auf unserer wie auch auf Seiten unserer Partner zu reduzieren.
Sie, Ihre Daten und Wir
Unsere Aufgabe ist es, Wissenschaftlern bei der Verarbeitung Ihrer Daten (egal ob groß oder klein) zu helfen. Dafür bieten wir persönliche kostenfreie Beratungen sowie die Möglichkeit von gemeinsamen Projekten, s.g. Vouchern(2), an. Der Voucher soll eine faire und gleichverteilte Bearbeitung von Projekten am HZDR sowie an anderen Zentren der Helmholtz-Gesellschaft erlauben. Ein Voucher sollte daher folgende Kriterien erfüllen:
- Ein machbares Ziel beschreiben, welches mit anerkannten Methoden des Maschinellen Lernens und der küntlichen Intelligenz erreichbar ist.
- Ein Projekt beschreiben, dass nicht kürzer als 2 Wochen Arbeitszeit und nicht länger als 6 Monate Arbeitszeit ist.
- Daten und potentiell deren Inhalte verlinken und beschreiben, die zum Training eines Algorithmus des Maschinellen Lernens geeignet sind.
- Ungenauigkeitsgrenzen definieren, die aktuell durch klassische Methoden erreicht werden.
Diese Voucher werden in Zusammenarbeit mit uns erstellt und einem Begutachtungsprozess zugeführt.
Sie haben Fragen? Schreiben Sie uns: consultant-helmholtz.ai@hzdr.de(3)
Unser Team
name | building/room | +49 351 260 .... | |
Helene Hoffmann | 270/212 | 3849 | helene.hoffmann@hzdr.de |
Till Korten | 270/212 | t.korten@hzdr.de | |
Steve Schmerler | 270/212 | 3856 | s.schmerler@hzdr.de |
Sebastian Starke | 270/212 | 3693 | s.starke@hzdr.de |
Peter Steinbach | 270/221 | 3844 | p.steinbach@hzdr.de |
Unsere Exptertise
- Automatisierte Pipelines
- Bildverarbeitung (zur Vorbereitung für ML-Modelle)
- Reproduzierbare Software-Environments und Workflows
- Entrauschung von (Bild-)Daten mit Deep Learning
- Machine Learning zur Invertierung von Inversen Problemen
- Mustererkennung mit Deep Learning
- Segmentierung
- Lokalisierung
- Klassifizierung
- Bestimmung von Unsicherheiten aus ML-Vorhersagen
- Ansätze der Interpretierbarkeit von ML-Vorhersagen
- Schnelle Inferenz von Deep Learning-Modellen
Aktuelle Projekte
Ion-beam analysis spectrum evaluation
Description: | Ion beam analysis is a method to analyse the surface near elemental and isotopic composition of practically any target material with a tomographic information. The evaluation of ion-beam analysis spectra so far requires extensive manual input, strongly limiting the methods throughput. Simple chi2 based optimisation methods such as simplex, implemented in physics models such as SimNRA, hardly allow finding global minima of the spectral evaluation due to the many involved parameters and non-linearities. The physics models allow for generating huge amounts of synthetic data with high quality via forward calculations, though. This opens ups the possibility for deep learning algorithms to learn evaluating even complex spectra and assist the optimisation methods in finding close-to-final initial values or even replacing the given tool for finding final results. |
Expected Results (Goals): |
|
Owner: | Sören Möller |
Client: | FZ Jülich |
Project Page: | gitlab.hzdr.de/haicu/vouchers/fz_juelich/fzj_moeller_ion_beam_analysis(4) |
NTK Based Parameter Annealing
Description: |
Physics-informed neural networks (PINNs) are learning-based algorithms for solving partial differential equations (PDEs). Their training involves the minimization of a physically-informed loss function using stochastic gradient descent. The loss function integrates prior knowledge of the reformulated PDEs which is iteratively minimized. However, despite their empirical success, little is known about their behavior during training. Moreover, due to unknown reasons sometimes they fail to converge. This project aims to investigate the behavior of PINNs using Neural Tangent Kernels (NTK). NTK captures the behavior of fully-connected neural networks in the infinite width limit during training via gradient descent. The limiting NTK can be used to provide insights into the training dynamics of PINNs. The eigenvalues of the NTK can help anneal hyperparameters to recalibrate the convergence rate of PINNs as a result. In this project, the aim is to leverage the loss functions of PINNs to solve different PDEs by the integration of NTK. |
Expected Results (Goals): |
|
Owner: | Nico Hoffmann |
Client: | FWKT |
Project Page: | https://gitlab.hzdr.de/haicu/vouchers/hzdr/hoffma83-ntk-paramopt(7) |
Instance Segmentation in Videos of Bright-Field Microscopes
Description: |
Here we explore the capabilities of algorithms designed for video instance segmentation (VIS) or multi-object tracking (MOT) for segmenting overlapping bubbles in video data. To accurately detect bubbles in experimental studies, AI-assisted segmentation of overlapping bubbles in acquired images is becoming more and more standard. Although there are several promising approaches for this task, they have problems at high levels of overlap and are often unable to reconstruct the hidden part of the occluded bubble. Moreover, such segmentation is not able to detect fully occluded bubbles in an image. The use of video sequences can help to solve these problems, since partially or completely occluded bubbles are often more visible in an image just before or after the initial image. |
Expected Results (Goals): |
|
Owner: | Hendrik Hessenkemper |
Client: | HZDR, FWD |
Project Page: | https://gitlab.hzdr.de/haicu/vouchers/hzdr/hzdr_hessen93_vis_mot_bubbles(8) |
Sie haben Fragen? Schreiben Sie uns: consultant-helmholtz.ai@hzdr.de
Inhalt aus Sidebar
URL dieses Artikels
https://www.hzdr.de/db/Cms?pOid=60710