Neueste Forschung

Eines Tages werden uns Maschinen vielleicht zur Arbeit fahren. In ungewohnten Situationen oder bei verrauschten Daten kommen sie heute allerdings noch ins Straucheln. Das liegt daran, dass Maschinen die Welt ganz anders sehen als wir Menschen. Diese Lücke beginnt sich aber zu schließen.

Forschende trainieren ein neuronales Netz darauf, in nur wenigen Sekunden die Eigenschaften verschmelzender schwarzen Löcher anhand der abgestrahlten Gravitationswellen präzise abzuschätzen. Das Netzwerk bestimmt die Massen und Eigendrehimpulse der schwarzen Löcher, sowie wo am Himmel, in welchem Winkel und wie weit von der Erde entfernt die Verschmelzung stattgefunden hat.

Mit hunderten Forschenden aus aller Welt haben wir die Eigenschaften verschiedener Neuronentypen von Mäusen, Affen und Menschen untersucht. Dabei haben wir neueste experimentelle Techniken und Methoden aus dem Maschinellen Lernen zur Datenanalyse verwendet. Das Ergebnis ist ein einzigartiger Überblick über den motorischen Kortex und dessen Entwicklung im Laufe der Evolution.

Die Einzelmolekül-Lokalisierungsmikroskopie ist eine leistungsstarke Methode, um zelluläre Strukturen mit Nanometerauflösung abzubilden. Wir haben DECODE entwickelt, einen auf Deep Learning basierenden Analysealgorithmus, der diese Technik schneller und noch präziser macht.

Computermodelle sind ein hervorragendes Werkzeug für die Analyse neuronaler Mechanismen. Doch die Modelle auf die Gehirnaktivität abzustimmen, ist eine große Herausforderung. Wir haben ein Werkzeug entwickelt, das diesen Prozess durch maschinelles Lernen automatisiert, und mit ihm eine Simulationsumgebung für ein Netzhautimplantat geschaffen.

Für Landwirtinnen und Landwirte ist es tagtäglich eine Herausforderung, dass sich Böden räumlich stark unterscheiden. Maschinelles Lernen kann die Kartierung von Bodeneigenschaften verbessern, sodass Landwirte das Düngen und Bewässern zeit- und kosteneffizient planen können.

Mit dem Bayesschen Formalismus kann man tiefe neuronale Netze um Unsicherheiten ergänzen. Bayessches Deep Learning gilt allerdings als umständlich und teuer. Neue Ergebnisse zeigen jedoch, wie eine kalibrierte Unsicherheit in tiefen Netzen erreicht werden kann - effizient und ohne die Vorhersagekraft zu beeinträchtigen.