Natur inspiriertes maschinelles Lernen (NIMI)

Verstärkendes Lernen und wissensgestützte KI: Im Rahmen der Nachwuchsforschungsgruppe „Natur inspiriertes maschinelles Lernen“ untersucht das Team die Verbindung zwischen Wissensgraphen und großen Sprachmodellen sowie die Rolle neurosymbolischer Methoden für zukünftige Lernmodelle. Dies steht in engem Zusammenhang mit Ansätzen des verstärkenden Lernens, die ebenfalls ein Schwerpunkt der Gruppe sind.

Lernen und Schlussfolgern: Ein weiterer Forschungsschwerpunkt der Gruppe „Nature-Inspired Machine Learning“ sind Techniken zur Link-Vorhersage, insbesondere zur Bereitstellung von Empfehlungen im Kontext der wissenschaftlichen Kommunikation. Darüber hinaus ist der Einsatz von Knowledge-Graph-Embedding-Modellen (KGE) in verschiedenen anderen Anwendungsfällen sowie die Entwicklung neuer Modelle ein wichtiger Bestandteil der Forschung.

Insbesondere konzentriert sich diese Nachwuchsforschungsgruppe auf folgende Schlüsselthemen:

• Maschinelles Lernen
• Grundlagemodelle
• Repräsentationslernen
• Verstärkendes Lernen

Angetrieben von einer tiefen Leidenschaft dafür, die Grenzen des Wissens zu erweitern, besteht das übergeordnete Ziel darin,
ein außergewöhnliches Forschungsökosystem zu schaffen, das Nachwuchswissenschaftler:innen dazu befähigt, bahnbrechende und innovative Forschung zu betreiben. Vahdati und ihre Gruppe haben es sich zur Aufgabe gemacht, Strategien zu entwickeln, die nicht nur das Wohlbefinden des Einzelnen – sowohl in körperlicher als auch in psychischer Hinsicht – fördern, sondern durch den ethischen Einsatz künstlicher Intelligenz auch einen positiven Beitrag zur ökologischen Nachhaltigkeit leisten. Im Mittelpunkt der Vision der Gruppe steht die Schaffung greifbarer, positiver Veränderungen in der Gesellschaft, indem das Potenzial der Spitzenforschung genutzt wird, um das Leben zu verbessern und unseren Planeten zu schützen.

Tatsächlich befasst sich die Forschung mit kritischen globalen Herausforderungen, indem sie die menschliche Gesundheit verbessert, die ökologische Nachhaltigkeit fördert und KI ethisch einsetzt, um einen positiven gesellschaftlichen Wandel voranzutreiben. Sie ist relevant, weil sie praktische Lösungen zur Steigerung des Wohlbefindens und zum Schutz unseres Planeten bietet, die den dringenden aktuellen Bedürfnissen und zukünftigen Prioritäten entsprechen.

Projekte

Derzeit gibt es keine Projekte, die sich ausdrücklich mit ScaDS.AI Dresden/Leipzig befassen, sondern sie sind Teil von Vahdatis Forschung am InfAI. Bis Ende 2027 konzentriert sich das EU-Projekt „IntelliLung“ auf künstliche Intelligenz zur Optimierung der Beatmung von Intensivpatienten. Vahdati leitet die Forschungsaktivitäten der Gruppe und forscht vor allem an ihrer Vision einer von den Naturwissenschaften inspirierten Forschung im Bereich der maschinellen Intelligenz, die zu Innovationen führen kann, um Schwächen aktueller ML-Ansätze zu beheben. Die Hauptaktivitäten der Gruppe und die geplanten Forschungsrichtungen konzentrieren sich auf das Repräsentationslernen.

Weitere Informationen zur Gruppe finden Sie hier sowie auf der Website der Gruppe.

Team

Leitung

Die Leiterin der Nachwuchsforschungsgruppe, Prof. Sahar Vahdati, nahm im September 2023 ihre Tätigkeit am ScaDS.AI Dresden/Leipzig in Dresden auf. Vahdati promovierte an der Universität Bonn im Fachbereich „Intelligente Informationssysteme“ mit Schwerpunkt auf „Representation Learning Over Graphs“. Am Institut für Informatik III promovierte sie in der Forschungsgruppe „Enterprise Information Systems“ unter der Betreuung von Prof. Sören Auer. Vahdati verfasste ihre Doktorarbeit mit dem Titel „Collaborative Integration, Publishing, and Analysis of Distributed Scholarly Metadata“ im Forschungsbereich Semantic Web und Linked Data, Knowledge Graph Integration und Mining. Seit Oktober 2024 ist sie Professorin für KI in der wissenschaftlichen Kommunikation an der Leibniz-Universität Hannover.

Zuvor leitete Vahdati die Forschungsgruppe NIMI („Nature-Inspired Machine Intelligence“) am Institut für Angewandte Informatik (InfAI). Die Gruppe wurde innerhalb des Kompetenzzentrums „Efficient Technology Integration“ am InfAI von Grund auf neu aufgebaut. Außerdem beschäftigte sich Vahdati in ihrer vorherigen Position als Postdoktorandin am Fachbereich Informatik der Universität Oxford in der von Prof. Georg Gottlob geleiteten Gruppe „Information Systems“ mit logikbasiertem Lernen und Schlussfolgern über Graphen.

Vahdatis wissenschaftliche Leistungen sind sehr vielfältig: Bis heute hat sie über einen Zeitraum von drei Jahren 1,54 Millionen Euro an Drittmitteln eingeworben. Sie ist Mitautorin von über 90 Publikationen, die unter anderem auf führenden KI-Konferenzen wie AAAI, PAKDD, IJCNN und EMNLP erschienen sind. Laut Google Scholar wurden die Artikel zum Zeitpunkt der Erstellung dieses Profils über 800 Mal zitiert.

Die Lehre und die Betreuung von Forschenden auf verschiedenen Karrierestufen spielen für Vahdati eine zentrale Rolle. Sowohl in Oxford als auch in Bonn war sie an der Lehre in den Bereichen Datalog und logikbasiertes Schlussfolgern, Semantic Web und Lernen über Wissensgraphen beteiligt. Derzeit betreut Vahdati gemeinsam mit anderen acht Doktoranden aus verschiedenen Einrichtungen sowie zwei Postdoktoranden in ihrer Gruppe und mehrere Masterstudierende.

Weitere Informationen über Prof. Sahar Vahdati und ihre Arbeit finden Sie auf ihrer persönlichen Website.

Prof. Dr. Sahar Vahdati

Leibniz Universität Hannover

Professur Data Science and Digital Libraries

Teammitglieder

Die Teammitglieder dieser Gruppe forschen beide auf dem Gebiet der großen Sprachmodelle.

Preetam Gattogi

Technische Universität Dresden

Center for Interdisci­plinary Digital Sciences (CIDS)

Dhananjay Raghavendra Bhandiwad

Technische Universität Dresden

Center for Interdisci­plinary Digital Sciences (CIDS)

Publikationen

Es existieren noch keine Publikationen dieser Nachwuchsforschungsgruppe.