Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Software für Scientific Machine Learning (SciML)
Wenn mächtige, aber schwerfällige Simulationsmodelle aus der Industrie und nagelneue, flinke Methoden aus dem maschinellen Lernen zusammen kommen, dann kollidideren Welten - dank FMI.jl und FMIFlux.jl bekommt man davon aber (fast) nichts mit. Damit das so bleibt - und wir im Idealfall das “fast” im vorhergehenden Satz bald komplett streichen können - brauchen wir Nachwuchs-Wissenschaftler (HiWi / Forschungsmodul / Projektmodul), die an unseren Open-Source-Paketen FMI.jl und FMIFlux.jl mitwirken wollen. Wenn du sogar schon erste Erfahrungen mit der Entwicklung von Softwarebibliotheken und/oder GitHub hast und diese weiter ausbauen möchtest, dann bist du hier gold-richtig.
Beispielsweise stehen folgende Aufgaben-Pakete bereit:
- Integration von Functional Mock-Up Units (FMUs) über FMI.jl in das ModelingToolkit.jl (MTK)
- Implementierung von Scheduled Execution in FMI.jl
- Implementierung von System Structure and Parameterization in FMI.jl
- …
Biases und Muster in der Bewertung menschlicher Fähigkeiten
Maßnahmen in der Rehabilitation werden in Form von Fähigkeitsprofilen dokumentiert, die den Therapieverlauf der Patienten wiedergeben. Ein verbreitetes Verfahren dazu ist IMBA (Integration von Menschen mit Behinderung in die Arbeitswelt). Wir vermuten, dass es innerhalb des Verfahrens versteckte Abhängigkeiten und Biases gibt. Daher soll in dieser Arbeit ein Datensatz von IMBA-Profilen untersucht werden mit dem Ziel Muster zu erkennen und dadurch entsprechende Biases aufzudecken. Die theoretischen Abhängigkeiten zwischen den Fähigkeiten wurden bereits analysiert, diese sollen nach Möglichkeit innerhalb der Arbeit validiert werden. Eine Grundkenntnis in Medizin und dem IMBA-Verfahren ist für die Arbeit nicht nötig.
Ziel der Arbeit
- Analyse von Fähigkeitsprofilen nach Mustern und Biases
- Anwendung geeigneter statistischer Verfahren
- Validierung der theoretischen Abhängigkeiten von Fähigkeiten
Was du mitbringst
- Studium der Ingenieursinformatik, Medizininformatik, Informatik, oder ähnliche
- Interesse an Medizintechnik und Rehabilitation
- Grundwissen in Statistik wünschenswert
Kombination von Arbeitsmedizin und KI zur Vorhersage menschlicher Fähigkeiten
In meiner Forschung beschäftige ich mich mit der Vorhersage von menschlichen Fähigkeiten, um damit Robotervrhaltne zu planen und insbesondere Menschen mit Behinderung in ihrem Arbeitsalltag zu unterstützen. Dabei werden Methoden aus der Arbeitsmedizin und dem Maschinellen Lernen kombiniert. Ziel ist, dass eines Tages Personen egal welcher körperlichen Fähigkeiten und Voraussetzungen gemeinsam am Arbeitsalltag teilhaben können.
In dieser Arbeit sollen neue Vorhersagemodelle erstellt und validiert werden. Die Modelle bauen auf den bestehenden Standards ICF (International Classification of Functioning, Disability and Health) und IMBA (Inklusion von Menschen mit Behinderung in die Arbeitswelt) auf. Diese sollen in Bayessche Netze überführt und mit vorhandenen Daten vortrainiert werden. Je nach Art und Umfang der Arbeit, soll ebenfalls eine Nutzerstudie durchgeführt werden, um (a) Datne zu gewinnen und (b) die Methode zu validieren.
Was wir bieten
- Einblicke in die Mensch-Roboter-Interaktion und medizinisch korrekte Simulation von Menschen
- Lockere Arbeitsathmosphäre
- Flexible Betreuung
- Prüstandsarbeit/Realvalidierung möglich
Was du mitbringst
- Studium der Ingenieursinformatik, Medizininformatik, Informatik, oder ähnliche
- Interesse an Mensch-Roboter-Interaktion und sozialer Teilhabe
- Vorwissen in Maschinellem Lernen und Bayesschen Netzen wünschenswert
Benchmarkprobleme für Partikelsimulationen
Ich befasse mich mit der Verbesserung von KI-gestützter Simulation von großen Partikelsystemen. Das Feld der Fluidsimulationen ist vielseitig und umfasst eine große Anzahl an Anwendungsfällen und Szenarien, die in Papern verwendet werden, um Methoden zu validieren und vergleichen. Etablierte Benchmarkprobleme, die überall Anwendung finden und verschiedene Komplexitätsebenen abbilden gibt es dabei nicht. Eure Aufgabe wäre es sich mit den Szenarien in der Literatur vertraut zu machen und eine Sammlung von Benchmarkproblemen zu erstellen und diese nach Kriterien wie Komplexität zu clustern.
Vorgehen:
- Recherche von Anwendungsbeispielen von Partikelsimulationen
- Festlegen von Kriterien zur Clusterung
- Auswahl von Simulationstool zur Datenerzeugung
- Erstellung von Simulationen, die diese Szenarien mit unterschiedlichen Parametern abbilden
- Vergleich der Ergebnisse mit Literatur
Vorrausstetzungen:
- Keine
- Interesse an Partikelsimulationen hilfreich
Evaluation neuer Use-Cases mit Graph Neural Networks
Unser Softwarepaket MeshGraphNets.jl wurde bereits erfolgreich auf verschiedene Use-Cases (z.B. eine Fahrzeugkabine oder eine hydraulische Bremse) innerhalb unserer Projekte angewendet. Hier enden jedoch die Möglichkeiten für die Anwendung nicht, da viele weitere Domänen ähnliche Problemstellungen besitzen.
Mögliche Anwendungsfälle:
- Medizin (z.B. kardiovasuläres System)
- Energienetze (z.B. Windkraftanlagen)
- …