Bayreuther KI-Forschung
Warum funktioniert Deep Learning in großen Dimensionen? An der Universität Bayreuth wird im Umfeld des neuen Research Center for AI in Science and Society an grundlegenden Fragen künstlicher Intelligenz geforscht. Ein Projekt aus dem Bereich AI Technology untersucht, warum Deep-Learning-Methoden bei komplexen Steuerungsproblemen so leistungsfähig sein können. Dabei geht es nicht um schnelle KI-Spielereien, sondern um die mathematischen Grundlagen von Deep Reinforcement Learning — also um die Frage, unter welchen Bedingungen neuronale Netze auch in sehr hochdimensionalen Problemen zuverlässig arbeiten können
Die Universität Bayreuth baut ihre KI-Forschung weiter sichtbar aus. Mit dem Research Center for AI in Science and Society, kurz RAIS², vernetzt die Universität Forschende, Entwicklerinnen und Anwender von KI-Methoden über Fakultätsgrenzen hinweg. Das Zentrum wurde laut Universität im Juli 2024 gegründet und am 8. November 2024 offiziell eröffnet. Es soll KI-Kompetenz an der Universität bündeln und Impulse für Forschung, Lehre, Wissenstransfer und Wissenschaftskommunikation geben.
Ein besonders grundlegendes Projekt im Bereich AI Technology beschäftigt sich mit einem Problem, das für viele Anwendungen künstlicher Intelligenz zentral ist: Wie lassen sich sehr komplexe Steuerungsaufgaben lösen, ohne dass die Berechnungen an der enormen Zahl möglicher Zustände scheitern?
Der Fachbegriff dahinter lautet Curse of Dimensionality. Gemeint ist: Je mehr Einflussgrößen ein System hat, desto schneller explodiert die Zahl der möglichen Zustände. Klassische Rechenmethoden stoßen dann an Grenzen. Deep Learning und insbesondere Deep Reinforcement Learning haben in den vergangenen Jahren gezeigt, dass sie solche Probleme in bestimmten Bereichen erstaunlich gut lösen können — bekannt etwa aus Spielen wie Schach oder Go, aber auch relevant für Wissenschaft, Technik und Wirtschaft.
Das Bayreuther Forschungsprojekt fragt nun mathematisch präzise: Warum funktioniert das unter bestimmten Bedingungen? Und wann können tiefe neuronale Netze hochdimensionale Funktionen so gut annähern, dass optimale Steuerung überhaupt praktisch berechenbar wird?
Im Zentrum stehen dabei unter anderem sogenannte optimale Wertfunktionen und Kontrollfunktionen, mit denen Systeme stabilisiert oder zielgerichtet gesteuert werden können. Für Außenstehende klingt das abstrakt, der Kern ist aber sehr konkret: Wenn KI später Maschinen, technische Prozesse, wissenschaftliche Simulationen oder wirtschaftliche Systeme steuern soll, muss man verstehen, wann solche Verfahren zuverlässig funktionieren — und wann nicht.
Für Bayreuth ist das Thema deshalb interessant, weil hier nicht nur über KI-Anwendungen gesprochen wird, sondern über deren Fundament. Das RAIS² soll laut Universität verschiedene KI-Säulen verbinden, darunter AI Technology, AI for Life Sciences, AI for Materials, AI for Business and Industry, AI in Society und AI for Environmental Sciences.