Neuer Ansatz für eine biologische Programmiersprache

Presseaussendung der TU Graz vom 23.06.2020

Neue Erkenntnisse von Forschern rund um die TU Graz-Informatiker Wolfgang Maass und Robert Legenstein zu neuronaler Informationsverarbeitung im Gehirn könnten effizientere AI-Methoden ermöglichen.

Konkret ist es den Forschenden gelungen, das Entstehen und Interagieren zwischen sogenannten „Assemblies“ mathematisch zu modellieren. Dabei handelt es sich um Neuronenverbände im Gehirn, die die Grundlage für höhere kognitive Fähigkeiten bilden wie beispielsweise dem Denken, dem Vorstellungsvermögen, dem Argumentieren, Planen oder der Sprachverarbeitung.

Besseres Verständnis für die Funktionsweise des Gehirns

Der kanadische Neurowissenschaftler Donald H. Hebb hat bereits 1949 postuliert, dass sich Neuronen zu solchen Verbänden zusammenschließen, also gemeinsam aktiv sind, um einzelne Wörter oder Symbole, aber auch ganzheitliche „Konzepte“ zu kodieren. „Die Existenz von Assemblies verdichtete sich allerdings erst in den letzten Jahren und unsere Modelle bauen auf den jüngsten Ergebnissen aus der Hirnforschung auf“, erklärt Maass.

Assemblies sind fließende Gebilde, die sich ständig neu organisieren, um Umweltreize zu verarbeiten, diesen eine symbolische Bedeutung geben, sie strukturieren und in Wissen umwandeln. Diese Anpassungsfähigkeit – auch Plastizität genannt – liefert dem Gehirn die Möglichkeit, über die begrenzte Verarbeitungskapazität hinwegzukommen und eine „unbegrenzte“ Anzahl von Mustern zu bilden.

Die Ergebnisse tragen nicht nur zu einem besseren Verständnis des Gehirns bei – sie könnten auch zu neuen effizienten AI-Methoden führen, da sie die Vorteile der zwei Hauptansätze in der AI-Forschung miteinander verbinden – der symbolistische und der konnektionistische.

Symbolistische vs. Konnektionistische Informationsverarbeitung

Algorithmen in Symbolsystemen basieren auf definierten Regeln (Wenn-/Dann-Befehle) und logischen Formeln, und überzeugen durch ihre Abstraktionsfähigkeit – also einerseits die Fähigkeit zur Verallgemeinerung sowie andererseits die Fähigkeit, allgemeine Zusammenhänge auf konkrete Sachverhalte anzuwenden. Sie sind daher prädestiniert für eine leichte Anwendung auf ganz neue Situationen. Symbol-basierte Systeme müssen aber aufwendig programmiert werden und lassen sich nicht mittels großer Datenmengen für anspruchsvolle Anwendungen trainieren, wie das bei neuronalen Netzwerken möglich ist. Diese bestehen aus kleinen miteinander vernetzten und lernfähigen Recheneinheiten, die sich selbst organisieren und im Verbund komplexe Probleme schnell lösen können. Die Lernfähigkeit neuronaler Netzwerke hat den konnektionistischen Ansatz für die aktuelle AI-Forschung und für moderne AI-Anwendungen attraktiver gemacht. Allerdings haben neuronale Netzwerke Schwierigkeiten bei jenen Aufgaben, die in den Trainingsmengen nicht vorkommen.

„Menschliche“ Gehirnarchitektur für Maschinen

Die vorgestellten Assembly-Modelle zielen nun darauf ab, die Abstraktionsfähigkeit mit der Lernfähigkeit zu kombinieren. „Es handelt sich dabei um neuronale Netzwerke, die mit ihren Assemblies symbolartig arbeiten. Als Paradigma dient uns das menschliche Gehirn, das auch beides miteinander kombiniert“, so Legenstein.

Die Arbeiten, an denen auch Forschende der University of Nottingham, der University of California, Berkeley und dem Georgia Institute of Technology beteiligt sind, fließen teilweise ins Human Brain Project ein (HBP) – dieser europaweite interdisziplinäre Forschungsverbund arbeitet seit 2015 daran, das menschliche Gehirn elektronisch nachzubauen und seine Funktionen zu simulieren. Wolfgang Maass und sein Team sind darin für das Arbeitspaket „Principles of Brain Computation“ verantwortlich. (Christoph Pelzl)

Externer Link: www.tugraz.at

KI unterstützt Fachkräfte bei der Montage

Presseinformation des KIT (Karlsruher Institut für Technologie) vom 08.06.2020

Kimoknow, eine Ausgründung des KIT, entwickelt digitalen Montageassistenten – Basis ist die automatisierte KI-gestützte Objekterkennung

Künstliche Intelligenz (KI) macht es möglich, dass auch Maschinen Objekte erkennen können. Hierfür braucht es große Mengen an qualitativ hochwertigen Bilddaten, mit denen die Algorithmen manuell trainiert werden. Das am Karlsruher Institut für Technologie (KIT) entstandene Start-up Kimoknow hat eine Technologie entwickelt, um dieses Training zu automatisieren. Der erste Use Case: Ein digitaler Montageassistent für die kontaktlose Zusammenarbeit von Menschen und Maschinen. Er wird in Kooperation mit der Elabo GmbH am Center for Artificial Intelligence Talents (CAIT) erprobt.

„KI-Systeme für die Erkennung von Objekten zu trainieren, ist nach wie vor zeitaufwändig, unflexibel, teuer, stark umgebungsabhängig und erfordert einen hohen Rechenaufwand“, erklärt Kimoknow-Mitgründer Lukas Kriete. Das Start-up des KIT greift deswegen auf Bilddaten zurück, die bei computerunterstützten Entwicklungsprozessen (CAD) und im Produktionsdatenmanagement (PDM) ohnehin für alle Objekte entstehen. Sie geben unter anderem Aufschluss über Material, Geometrie und Position des jeweiligen Gegenstandes. Die CAD- und PDM-Daten werden extrahiert und für das automatisierte Training der KI genutzt.

Das auf diese Weise geschulte Objekterkennungssystem kann vielfältig eingesetzt werden, unter anderem in Augmented Reality (AR)-Brillen. Sie erfassen relevante Gegenstände im Sichtfeld des Nutzers in Echtzeit und verfügen zudem über notwendige Kontextinformationen zum betreffenden Objekt. Als ersten Use Case für solche AR-Brillen hat Kimoknow ein Assistenzsystem entwickelt, das Fachkräfte bei der Montage komplexer Geräte unterstützen soll. Der virtuelle Assistent führt Nutzerinnen und Nutzer durch den gesamten Montageprozess, visualisiert ohne zusätzliches Display Schritt für Schritt die Bauanleitung und zeigt so in welcher Reihenfolge welches Teil mit welchen Werkzeugen und Montagematerialien verarbeitet wird. Er wiederholt einzelne Schritte, wenn Fehler auftauchen, und dokumentiert den Prozess. Der Monteur hat beide Hände frei und kommuniziert über Blickkontakt, Handzeichen oder Sprachbefehl mit dem System. „Der Montageassistent macht den Prozess bei besserer Qualität effizienter, produktiver, schneller und kostengünstiger“, sagt Kriete.

Der Assistent eignet sich für alle Industrien, in denen hochkomplexe Produkte in geringer Stückzahl hergestellt werden. Der Prototyp wird für die Endmontage hoch spezialisierter Messgeräte eingesetzt und derzeit in Kooperation mit der Elabo GmbH am Center for Artificial Intelligence Talents (CAIT) am Institut für Informationsmanagement im Ingenieurwesen (IMI) des KIT erprobt.

Kimoknow ist eine Ausgründung des IMI und ging am 13. Mai 2020 als Unternehmergesellschaft (haftungsbeschränkt) an den Start. Neben Lukas Kriete gehören Roman Wiegand, Aaron Boll, Michael Grethler und Vesa Klumpp zum Gründungsteam.

Center for Artificial Intelligence Talents (CAIT)

Das Center for Artificial Intelligence Talents (CAIT) fördert gezielt Forschungstalente, die Methoden der Künstlichen Intelligenz und des Ingenieurwesens miteinander verknüpfen. Neben Infrastruktur, Ressourcen und Trainingsformaten bietet es ihnen vor allem die Möglichkeit, neue Entwicklungen und Ideen unter realen Arbeitsbedingungen und in Zusammenarbeit mit potenziellen Anwendern zu erproben, weiterzuentwickeln und schnell in die Praxis zu bringen. Im Fokus des Konzeptes stehen der Mensch und seine Interaktion mit der Künstlichen Intelligenz. „Nicht die neuen Technologien verändern die Welt, sondern die Menschen, die diese Technologien nutzen“, betont CAIT-Leiterin Professorin Jivka Ovtcharova. Forschende und Start-ups bekommen die Chance, neue KI-Technologien nah am Markt zu entwickeln. Unternehmen profitieren vom Know-how dieser Talente und von aktuellen Forschungsergebnissen. „Dies ist eine Win-Win-Situation und das optimale Modell für die Kooperation zwischen Wissenschaft und Wirtschaft“, erklärt Ovtcharova.

Das CAIT wurde unter der Leitung von Jivka Ovtcharova im Juni 2019 am IMI eröffnet und setzt das Konzept des bis dahin betriebenen Lifecycle Engineering Solutions Center (LESC) mit dem Fokus KI fort. Neben der Elabo GmbH sind unter anderem die abas Software AG und die SolidLine AG Partner des CAIT. (sur)

Externer Link: www.kit.edu

Elektrofahrzeuge als mobile Energiespeicher

Pressemitteilung der TH Ingolstadt vom 16.06.2020

Studie der Technischen Hochschule Ingolstadt untersucht Beitrag von Elektroautos zur Energiewende und potenzielle Verdienstmöglichkeiten für Fahrzeugbesitzer

Mit der vermehrten Nutzung von Sonnenenergie und Windkraft steigt auch der Bedarf an flexiblen Energiespeichern. Sind Elektroautos mit ihren Batterien hierfür eine sinnvolle und wirtschaftliche Lösung? Und unter welchen Voraussetzungen ist eine Umsetzung möglich? Diesen Fragestellungen ist Dominik Storch, Absolvent des Masterstudiengangs Automotive & Mobility Management an der Technischen Hochschule Ingolstadt (THI), im Rahmen seiner Abschlussarbeit nachgegangen. Betreut wurde er dabei von Prof. Dr. Thomas Becker, Professor für Digital Automotive Management an der THI Business School.

In seiner Masterarbeit untersuchte Storch das Potenzial des sogenannten bidirektionalen Ladens, das es Elektrofahrzeugen ermöglicht, elektrische Energie nicht nur aus dem öffentlichen Stromnetz zu entnehmen, sondern auch wieder zurück ins öffentliche Stromnetz zu speisen (Vehicle to Grid: vom Fahrzeug zum Netz).

Die Ausgangslage für die Analyse: Bis 2030 werden bis zu zehn Millionen Elektroautos auf Deutschlands Straßen prognostiziert. Durchschnittlich wird ein Fahrzeug nur eine Stunde am Tag genutzt. Unter der Annahme, dass über die restlichen 23 Stunden zehn Prozent der verfügbaren Batteriekapazität für Netzspeicherdienste verwendet werden, wäre die zusätzlich resultierende Speicherkapazität gemäß den Berechnungen von Storch in der Lage, theoretisch rund 135.000 Vier-Personen-Haushalte für einen Monat mit Strom zu versorgen.

Derzeit, so Storchs Analyse, sei eine großflächige Umsetzung aufgrund technischer und regulatorischer Barrieren noch nicht möglich: Sowohl Elektrofahrzeuge als auch Ladestationen müssten zunächst bidirektionales Laden beherrschen, um Gleichstrom in Wechselstrom zu wandeln (und umgekehrt). Ebenso berücksichtige das Erneuerbare-Energien-Gesetz Elektroautos noch nicht als mobile Stromspeicher. Die aktuelle Konsequenz für den Fahrzeugbesitzer, so Storch, wäre unter Umständen eine mögliche Doppelbesteuerung der bezogenen und abgeführten Energie.

Verdienstmöglichkeiten für Besitzer von E-Fahrzeugen

Um bidirektional laden zu können, kommen auf Besitzer von E-Autos derzeit noch Investitionen für eine entsprechende Ladestation und ein Energiemanagementsystem zu. Noch rechnen sich laut Storch die Ausgaben für den Nutzer nicht. Mit zunehmender Marktdurchdringung der E-Fahrzeuge, so die Analyse, werden sich auch die Investitionen in die Infrastruktur reduzieren. So sei es perspektivisch durchaus realistisch, dass Besitzer mit ihrem eigenen Auto Geld verdienen. Die Einnahmen seien je nach Vertragsform unterschiedlich, ein jährlicher Gewinn im unteren bis mittleren dreistelligen Bereich ist gemäß Storchs Berechnungen machbar.

Lernfähige Batteriesysteme der THI als technologische Lösung

Forscher an der THI rund um Prof. Dr. Christian Endisch arbeiten bereits an einer technologischen Realisierung des bidirektionalen Ladens. Die am Institut für Innovative Mobilität (IIMo) in Zusammenarbeit mit der Audi AG erforschten Lernfähigen Batteriesysteme können nicht nur Energie aus dem Netz aufnehmen, sie können auch Energie in das Netz speisen und das, so die Forscher, ohne die derzeit notwendige teure Lade-Infrastruktur. Lernfähige Batteriesysteme verbinden Datenauswertung durch Algorithmen der Künstlichen Intelligenz mit einer hochflexiblen Topologie in der Hardware. Durch diese Flexibilität sind sie in der Lage, sich den äußeren Rahmenbedingungen anzupassen, sie akzeptieren fast alle Spannungsniveaus und können sowohl an Gleich- wie auch an Wechsel- oder Drehstrom betrieben werden.

Externer Link: www.thi.de

Atome streicheln für Fortgeschrittene

Presseaussendung der TU Wien vom 09.06.2020

Wie kann man Oberflächen möglichst sanft und zerstörungsfrei auf atomarer Skala abbilden? An der TU Wien verwendet man ein einzelnes Sauerstoffatom als Fühler.

Sauerstoff ist höchst reaktiv, er lagert sich an vielen Oberflächen an und bestimmt dadurch auch ihr chemisches Verhalten. An der TU Wien studiert man die Wechselwirkung zwischen Sauerstoff und Metalloxid-Oberflächen, die für viele technische Anwendungen eine wichtige Rolle spielen – von chemischen Sensoren über Katalysatoren bis hin zur Elektronik.

Allerdings ist es extrem schwierig, die Sauerstoffatome auf der Metalloxid-Oberfläche zu untersuchen, ohne sie dabei zu verändern. An der TU Wien gelang das nun mit einem speziellen Trick: An der äußersten Spitze eines Rasterkraftmikroskops wird ein einzelnes Sauerstoffatom befestigt und sanft über die Oberfläche geführt. Die Kraft zwischen Oberfläche und Sauerstoffatom wird gemessen – und so lässt sich ein Bild mit extrem hoher Auflösung anfertigen. Die Resultate wurden nun im Fachjournal PNAS publiziert.

Sauerstoff ist nicht gleich Sauerstoff

„In den letzten Jahren wurde viel daran geforscht, wie sich Sauerstoff an Metalloxid-Oberflächen anlagert“, sagt Martin Setvin vom Institut für Angewandte Physik der TU Wien. „Handelt es sich um O2-Moleküle? Oder werden die Moleküle in einzelne Sauerstoffatome zerlegt? Oder bildet sich vielleicht das sogenannte Tetraoxygen, ein Komplex aus vier Atomen? Solche Fragen sind wichtig, um chemische Reaktionen an der Metalloxid-Oberfläche zu verstehen.“

Leider ist es nicht einfach, ein Bild von diesen Atomen aufzunehmen. Oft werden Rastertunnelmikroskope eingesetzt, um Oberflächen Atom für Atom abzubilden. Dabei führt man eine feine Spitze in minimalem Abstand über die Probe, sodass einzelne Elektronen zwischen Probe und Spitze überwechseln können. Gemessen wird der elektrische Strom, der dabei fließt. Diese Methode lässt sich in diesem Fall allerdings nicht einsetzen – die Sauerstoffmoleküle würden elektrisch aufgeladen werden und dadurch ihr Verhalten völlig verändern.

Daher verwendete man stattdessen ein Rasterkraftmikroskop. Auch hier lässt man eine dünne Spitze über die Oberfläche wandern, doch in diesem Fall fließt kein Strom, gemessen wird hingegen die Kraft, die zwischen Spitze und Oberfläche wirkt. Entscheidend war ein besonderer Trick – die Funktionalisierung der Spitze: „Ein einzelnes Sauerstoffatom wird zunächst von der Spitze des Rasterkraftmikroskops erfasst und dann mit der Spitze über die Oberfläche bewegt“, erklärt Igor Sokolović. Das Sauerstoffatom dient somit als hochsensible Sonde, um Punkt für Punkt die Oberfläche zu untersuchen.

Weil dabei kein Strom fließt und das Sauerstoffatom nie ganz in Kontakt mit der Oberfläche kommt, ist diese Methode extrem sanft und verändert die Atome auf der Metalloxid-Oberfläche nicht. So kann man die Geometrie der Sauerstoff-Anlagerungen auf dem Metalloxid genau untersuchen.

Vielseitig einsetzbare Methode

„Dieses Funktionalisieren der Spitze, indem man ein ganz bestimmtes Atom daraufsetzt, wurde in den letzten Jahren entwickelt, wir zeigen nun erstmals, wie erfolgreich die Methode bei Metalloxid-Oberflächen sein kann“, sagt Setvin. Es zeigt sich, dass die Sauerstoffmoleküle auf unterschiedliche Weisen am Metalloxid angelagert werden können – entweder auf den Titan-Atomen der Oberfläche, oder an bestimmten Stellen, an denen im Titanoxid ein Sauerstoffatom fehlt. Je nach Temperatur kann es dann zu einem Aufspalten der Sauerstoffmoleküle in zwei einzelne Sauerstoffatome kommen. Tetraoxygen, ein hypothetischer Komplex aus vier Sauerstoffatomen, wurde hingegen nicht gefunden.

„Die Titanoxid-Oberflächen, die wir auf diese Weise untersuchen, sind ein prototypischer Fall, um die Methode genau zu testen“, erklärt Martin Setvin. „Aber die Erkenntnisse, die wir daraus gewinnen, gelten natürlich auch für viele andere Materialien.“ Die Mikroskopie mit funktionalisierter Spitze in einem Rasterkraftmikroskop ist eine vielseitige Methode, um zerstörungsfrei und ohne elektronische Veränderung eine Oberflächenstruktur mit atomarer Auflösung abzubilden. (Florian Aigner)

Originalpublikation:
M. Setvin et al., „Resolving the adsorption of molecular O2 on the rutile TiO2(110) surface by non-contact atomic force microscopy,“ PNAS (2020)

Externer Link: www.tuwien.at