Profil des IAS-8

Der Institutsbereich IAS-8 – Datenanalytik und Maschinenlernen erforscht und entwickelt Methoden und Algorithmen für Machine Learning (ML), Data Analytics, Bildverarbeitung und Computer Vision. Der Anwendungsschwerpunkt liegt auf den Daten und Problemstellungen, die für Jülicher Schwerpunkte relevant sind und zumeist Aufgabestellungen aus Imaging oder anderen gerasterten Daten beinhalten. Ziel ist es, Fortschritte in der Methodik der Data Science zu machen und diese direkt mit Jülicher Instituten in den Natur- und Materialwissenschaften zur Anwendung zu bringen, nutzbar zu machen, und so direkt eine translationale Brücke zu bauen. Neu- und Weiterentwicklung von methodischen Ansätzen für die Analyse und Auswertung von großen Daten auf skalierbaren HPC Systemen ist hierbei besonders wichtig.

Die Arbeitsgruppe Computer Vision macht sich Methoden des maschinellen Lernens zunutze, entwickelt sie weiter und bringt sie in die Anwendung. Sie addressiert methodisch jedoch mehr als ML für gerasterte Daten. Computer Vision, Visual-Data Analytics und Bildverarbeitung umfassen auch die Datenmodellierung und die damit verbundene Inferenz von Modellparametern, nutzen Simulationsmethoden zur Datengenerierung und können auch auf kleinste Datensätze angewendet werden, wenn Domänenwissen zur Datenmodellierung vorhanden ist. Sie sind also nicht nur "Big Data", sondern "All Data", nicht nur "Learning", sondern auch "Inference", nicht nur "HPC", sondern können auch auf kleinste Rechnerressourcen abzielen, derzeit oft Smartphones, meist aber Desktop-PCs oder Workstations. Doch selbst wenn Lösungen für die kleinsten Rechner gefunden werden sollen, sind für deren Entwicklung meist skalierbare Lern- und Simulationsmethoden auf Supercomputern unerlässlich.

Die Kernaktivitäten des IAS-8 liegen somit in den folgenden Bereichen:

• Weiter- und Neuentwicklung von Methodiken des maschinellen Lernens, Data Analytics, Bildverarbeitung und Computer Vision,
• mittels unsupervised und supervised Ansätzen, insbesondere Deep Learning mittels Künstlicher Neuronaler Netze, Ausreißererkennung, Clusteringmethoden
• zur transparenten Validierung und Verifikation komplexer Modelle
• Inkrementelle Ansätze zur effizienten und effektiven Anpassung von Modellen an dynamisch veränderliche Daten und Anforderungen, Transfer Learning und Domain Adaptation, sowie an manuelle Anpassungen und Repräsentation von Domänenwissen.
• Translationale Forschung und Zusammenarbeit mit den material- und naturwissenschaftlichen Disziplinen am Forschungszentrum,
• insbesondere die Kombination und Ergänzung von statistischen Modellen mit beschreibenden Modellen
• Skalierbarkeit von Algorithmen durch neue algorithmische Strategien, Filtertechniken, Nutzung und Kombination von Multicore-CPUs, Grafikkarten und verteilten Systemen.