Von Menschen gesteuerte neuronale Netze für Synchrotron-Experimente
Synchrotronquellen erzeugen intensive Röntgenstrahlung, die heute für viele Forschungsgebiete unverzichtbar ist. Da in solchen Anlagen riesige Datenmengen erzeugt werden, müssen die relevanten Informationen aus diesen Daten extrahiert werden. Das gelingt mit Methoden des maschinellen Lernens, doch den Modellen fehlen wichtige Vorkenntnisse über die Struktur der untersuchten Systeme. Wir haben Forschenden ermöglicht, dieses Wissen in anpassungsfähige neuronale Netze einzuspeisen, und dadurch genauere Ergebnisse erzielt.
Mehr lesen
Den Wissenserwerb nachvollziehen, um lebenslanges personalisiertes Lernen zu ermöglichen
Online-Lernplattformen sind beliebte Apps, um eigenständig Wissen zu erwerben. Allerdings haben sie auch gravierende Schwächen. Wir stellen hier einen neuen Algorithmus vor, mit dem der Wissenserwerb von Lernenden genauer verfolgt werden kann. Indem die Wissensvermittlung an deren persönliche Lernstile angepasst wird, lässt sich der Lernprozess beflügeln.
Mehr lesen
20 Millionen Papers gleichzeitig durchforsten und neues Wissen freilegen
In der Biomedizin und den Lebenswissenschaften werden jedes Jahr mehr als eine Million Papers veröffentlicht - eine überwältigende Menge. Um die Orientierung in der Literatur zu erleichtern, haben wir mit Hilfe von maschinellem Lernen eine Karte der gesamten biomedizinischen Forschungslandschaft in Form einer interaktiven Webseite erstellt. Sie macht es möglich, 20 Millionen Veröffentlichungen gleichzeitig zu durchsuchen und Schnittmengen zwischen ihnen zu erkennen.
Mehr lesen
Lernen Menschen und Algorithmen auf die gleiche Weise?
Wenn Kinder erwachsen werden, ändert sich die Art und Weise, wie sie lernen, erheblich. Kinder handeln oft ohne erkennbare Absicht, Erwachsene zielgerichteter. Laut einer einflussreichen Theorie verhalten sich Optimierungsalgorithmen, die häufig bei maschinellem Lernen eingesetzt werden, ähnlich. Die nachfolgende empirische Untersuchung zeigt verblüffende Parallelen, aber auch gravierende Unterschiede zwischen menschlichem und maschinellem Lernen.
Mehr lesen
Die Blackbox des Deep Learning bei der Bildklassifizierung öffnen
Deep-Learning-Algorithmen sind sehr gut darin, bestimmte Objekte wie einen Hund oder ein Auto in einem Bild zu erkennen. Aber wie funktioniert das eigentlich? Meistens bleiben die Mechanismen, die der Entscheidung eines Algorithmus zugrunde liegen, undurchsichtig. Wie wäre es, wenn wir einen solchen Black-Box-Algorithmus intuitiv erklären und dabei sogar daraus lernen könnten?
Mehr lesen
Raus aus Platos Höhle: Maschinen erlernen die Dreidimensionalität unserer Welt
Ein 3D-Verständnis unserer Welt ist essentiell für zahlreiche Anwendungen im Bereich der erweiterten und virtuellen Realität, sowie für Simulationen. 3D-Trainingsdaten sind jedoch schwer zu beschaffen. Daher entwickeln wir einen Algorithmus zur Erstellung von 3D-Grafiken, der nur mit 2D-Bildern trainiert werden kann. Indem wir unseren Algorithmus so gestalten, dass er 3D-Daten effizient darstellen kann, halten wir den Rechenaufwand niedrig genug um den Übergang von 2D-Bildern zu 3D-Grafiken zu ermöglichen.
Mehr lesen
Soll künstliche Intelligenz sich selbst erklären?
Dass Algorithmen viele Dinge können, verblüfft uns nicht mehr. Nun können sie angeblich auch “erklären”. Aber wollen wir das?
Mehr lesen
So verschmelzen wir physikalisches Wissen mit der Flexibilität neuronaler Netze
Diffusionsprozesse in der Natur sind hochkomplex, und Wissenschaftler arbeiten daran, sie im Detail zu verstehen. Mit einem neuen, von der Physik inspirierten künstlichen neuronalen Netz können wir solche Prozesse jetzt viel genauer modellieren und vorhersagen als bisher möglich.
Mehr lesen
Sehen Maschinen wie Menschen? Immer mehr!
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.
Mehr lesen
Maschinelles Lernen entschlüsselt Beben im Universum
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.
Mehr lesen
Erster umfassender Atlas der Neuronentypen im Gehirn
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.
Mehr lesen
Maschinelles Lernen verbessert superauflösende Mikroskopie
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.
Mehr lesen
Mit maschinellem Lernen Modelle in der Neurowissenschaft identifizieren
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.
Mehr lesen
So verbessert maschinelles Lernen die 3D-Bodenkartierung
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.
Mehr lesen
Wie man neuronale Netze mit Unsicherheiten ausstattet
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.
Mehr lesen