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.
Vergleich von Loss Funktionen bei KI-getriebenen Partikelsimulationen
Partikelmethoden unterscheiden sich von anderen Machine Learning-Ansätzen durch ihr chaotisches Verhalten. Klassiche Distanzmethoden wie der Mean Squared Error können mit diesem Umstand nicht gut umgehen. Beispielsweise können Partikel innerhalb eines Wassertröpfchens sich chaotisch bewegen, obwohl die insgesamte Geometrie sich nicht verändert. Dadurch entsteht eine Diskrepanz zwischen Trainingsdaten und gelernten Partikeln, was in einem unnatürlich großen Fehler resultiert. Ich befasse mich mit der Verbesserung von KI-gestützter Simulation von großen Partikelsystemen. Mein Arbeit basiert dabei auf dem Paper von Sanchez et al. (Link unter dem Foto).
Ein Ansatz diesen Umstand zu negieren ist die Earth Movers Distance. Dabei werden die Distanzen zwischen allen Partikeln des Trainingsdatensatzs und des Ausgangs des Neuronalen Netzes minimiert, sodass eine aussagekräftige Loss Funktion erhalten wird. Die Methodik ist dabei nicht nur auf diesen Ansatz begrenzt.
Mögliches Vorgehen:
- Recherche von Lossfunktionen im Zusammenhang mit Partikelsystemen
- Einarbeiten in das Julia-Package GNS.jl
- Implementierung der Methoden
- Gegenüberstellen von verschiedenen Ansätzen
- Validierung der Ergebnisse an einem Test-Case
Vorrausstetzungen:
- Keine
- Erste Kenntnisse in Julia oder Python hilfreich
- Interesse an Partikelsimulationen hilfreich
GPU Nachbarschaftssuche für Partikel
Ich befasse mich mit der Verbesserung von KI-gestützter Simulation von großen Partikelsystemen. Mein Arbeit basiert dabei auf dem Paper von Sanchez et al. (Link unter dem Foto). Ein wichtiger Bestandteil dabei ist die Nachbarschaftssuche, die für den Aufbau des Graphen benötigt wird. Dieser Schritt ist zu jedem Simulationszeitpunkt notwendig und wird aktuell immer komplett ausgeführt auch wenn sich der Graph zwischen Zeitschritten nur minimal ändert. Außerdem ist die Suche bisher nur CPU implementiert und nicht parallelisiert.
Vorgehen:
- Recherche von Nachbarschaftssuche-Algorithmen in Julia und Forschung
- Einarbeiten in das Julia-Package GNS.jl
- Implementierung der Methoden
- Gegenüberstellen von verschiedenen Ansätzen
- Validierung der Ergebnisse an einem Test-Case
Vorrausstetzungen:
- Keine
- Erste Kenntnisse in Julia oder Python hilfreich
- Interesse an Partikelsimulationen hilfreich
Virtuelle Lerndaten für die soziale Mensch-Roboter-Interaktion - Modellierung und Simulation von Arbeitsprozessen mit Menschen mit Behinderung
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 aufbauend auf einer bestehenden Simulation in OpenSim neue Arbeitsprozesse und Behinderungskomplexe simuliert werden. Der Fokus der Arbeit kann flexibel gelegt werden auf die Bereiche Modellierung oder Solver/Simulation. Die Simulation dient der Generierung künstlicher Lerndaten für die späteren Lernmethoden.
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 Simulation wünschenswert
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)
- …
Kombination von Arbeitmedizin 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