Projekte

Die Arbeitsgruppe Technomathematik des Zentrum für Technomathematik (ZeTeM) ist mit ihrer Forschung zur angewandten Mathematik aus den Kernbereichen Deep Learning und Inverse Probleme an zahlreichen nationalen und internationalen Forschungsprojekten beteiligt.

KIWi - Hybride Parameteridentifikation mit invertierbaren Netzen

BMBF-Projekt
Leitung: Tobias Kluth

In naher Zukunft werden viele Windenergieanlagen (WEA) das Ende ihrer Auslegungslebensdauer von typischerweise 20 Jahren erreichen. Im Verbundprojekt KIWi werden daten- und modellbasierten Verfahren zur Modellkorrektur und zur Parameteridentifikation in inexakten Modellen eingesetzt, um eine exaktere Bestimmung der Lastabschätzung in Windenergieanlagen und somit deren mögliche Lebensdauerverlängerung zu ermöglichen.

TorchPhysics - Eine Deep-Learning-Bibliothek für Differentialgleichungen

Differentialgleichungen treten in so gut wie allen physikalischen Zusammenhängen auf und müssen in den verschiedensten Anwendungsgebieten mittels numerischer Simulation gelöst werden. Klassische Verfahren, wie die Finite-Elemente-Methode, haben sich dabei für eine Vielzahl an Problemen bewährt. Einige Differentialgleichungen lassen sich jedoch mit klassischen Verfahren nur mit großem Aufwand lösen. Ziel des Projektes ist es daher ein Software-Paket zu erschaffen, welches verschiedene Deep-Learning-Ansätze für Differentialgleichungen vereint, um deren Anwendung, Vergleich und Erweiterung zu ermöglichen. Das Projekt wird in Kooperation mit der Robert Bosch GmbH bearbeitet und ist im Rahmen eines Modellierungsseminars entstanden.

π³ - Parameter Identification – Analysis, Algorithms, Applications

DFG-Projekt
Laufzeit: 01.10.2016 - 30.09.2025
Leitung: Peter Maaß

Im Graduiertenkolleg π3 Parameter Identification – Analysis, Algorithms, Implementations konzentrieren sich Promovierende an der Schnittstelle von Angewandter Mathematik und Wissenschaftlichem Rechnen auf Fragen der Parameteridentifikation, die im Kern durch die Minimierung geeigneter Zielfunktionale modelliert werden.

PY2DLL - Entwicklung und Analyse von Zonzepten für neuronale Netzwerkarchitekturen zur effizienten Portierung von Python in DLL und damit eine garantierte Nutzbarkeit im Realbetrieb von inhomogenen Kabel- und Rohrprodukten

BAB-Projekt
Laufzeit: 06.02.2023 - 31.10.2023
Leitung: Peter Maaß

In der Produktionsentwicklung spielen die Reinheit eines Produkts und die damit verbundene Qualitätskontrolle eine zentrale Rolle. Um eine maximale Material- und Kostenersparnis zu gewährleisten,
ist die zuverlässige Vermessung der gefertigten Produkte sowie die Detektion von Abweichungen hinsichtlich der vorgegebenen Produktspezifikation unabdingbar. Das Ziel des durch die Bremer Aufbau-Bank (BAB) geförderten Projektes PY2DLL ist eine weitgehend automatisierte Strategie zur Portierung forschungsnaher Python-Software in eine DLL-Bibliothek zum Aufruf aus der bestehenden in C++ implementierten Kontrollanwendung. Das Projekt wird in Kooperaton mit dem Industriepartner SIKORA AG durchgeführt.

Inverse problems - Theories, methods and implementations

DFG-Projekt
Laufzeit: 01.01.2021 - 31.12.2023
Leitung: Peter Maaß

Die Forschung an inversen Probleme ist seit Jahrzehnten ein wichtiges, aktives Feld in der angewandten Mathematik mit einem starken Einfluss auf viele Disziplinen. In diesem deutsch-chinesischen Mobilitätsprogramm werden Wissen und Ideen ausgetauscht und dadurch die Grundlage für eine langfristige Zusammenarbeit geschaffen.

Design-KIT - Künstliche Intelligenz in der mechanischen Bauteilentwicklung

BMBF-Projekt
Laufzeit: 01.10.2020 - 31.03.2022
Leitung: Peter Maaß

Im Projekt Design-KIT werden Methoden der künstlichen Intelligenz und des maschinellen Lernens für die Konstruktion von Bauteilen für Trägerraketen wissenschaftlich untersucht und ihr Nutzen für die entsprechende industrielle Anwendung evaluiert.

KIDOHE - KI-gestützte Dokumentation für Hebammen

BAB-Projekt
Laufzeit: 01.05.2020 - 28.02.2022
Leitung: Peter Maaß

KIDOHE hat zum Ziel die Belastungs- und Regresssituation der Hebammen mittels eines innovativen, intelligenten, entscheidungsunterstützenden Systems zu verbessern. Dieses System soll sowohl wissenschaftlich fundiertes Fachwissen als auch Erfahrungswissen der Hebammen in Netzen (z.B. semantischen Netzen, Bayes-Netzen oder neuronalen Netzen) repräsentieren.

D-MPI - Dynamische Inverse Probleme in Magnetic Particle Imaging

DFG-Projekt
Laufzeit: 01.05.2020 - 30.04.2023
Leitung: Tobias Kluth

Magnetic Particle Imaging (MPI) ist ein bildgebendes Verfahren mit vielversprechenden medizinischen Anwendungen, welches auf dem Verhalten superparamagnetischer Eisenoxid-Nanopartikeln basiert. In D-MPI werden die dynamischen Aspekte Konzentrationsdynamik, Magnetfelddynamik und Dynamik der Partikelmagnetisierung untersucht, um die Modellierung und Rekonstruktion der Daten zu vereinfachen.

DELETO - Maschinelles Lernen bei korrelativer MR und Hochdurchsatz-NanoCT

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Tobias Kluth

In DELETO soll die mathematische Forschung von Deep Learning bei der Lösung inverser Probleme entscheidend vorangetrieben werden, um die aufgrund der großen Datenmengen rechenaufwändigen Rekonstruktionsmethoden, basierend auf Structural Priors und Motion Correction im Bereich der korrelativen MR und der Hochdurchsatz-NanoCT, exakter und effizienter zu gestalten. Ziel ist es diese Methoden in den Geräten der nächsten Generation zu integrieren.

HYDAMO - Hybride datengetriebene und modellbasierte Simulation komplexer Strömungsprobleme in der Fahrzeugindustrie

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

Auf komplexen Materialien wie Sand, Schlamm oder Schnee ist die Fahrzeugstabilität nicht immer gegeben: Kollisionen oder ein Überschlagen des Fahrzeugs sind unter Umständen unvermeidlich. Ziel von HYDMAO ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtlösung zu integrieren. Damit soll die rechnergestützte Abbildung des zugehörigen Prozesses entscheidend verbessert werden.

Visualisierung von KI-Ergebnissen zur Krebserkennung

SPAplus - Small Data Probleme in der digitalen Pathologie und programmbegleitende Maßnahmen

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

In SPAplus werden mathematisch fundierte Verfahren zur Datenaugmentation über Deep Learning für die digitale Pathologie entwickelt. Zudem sollen in programmbegleitenden Maßnahmen Konzepte zur Ausbildung mathematischer Datenanalyst*innen sowie Informations- und Netzwerkveranstaltungen erarbeitet und umgesetzt werden.

AGENS - Analytisch-generative Netzwerke zur Systemidentifikation

BMBF-Projekt
Laufzeit: 01.04.2020 - 31.03.2023
Leitung: Peter Maaß

Die Prognose des Energiebedarfs von individuellen Akteuren anhand von Zeitreihen kennzeichnet sich durch eine gewaltige Datenlage. Das Ziel von AGENS liegt in der Entwicklung sowie Analyse dynamischer Neuronaler Netze mit Fokus auf die Energieprognose. Um eine robuste Prognose pro Akteur zu ermöglichen, ist eine Verbesserung der Datenqualität für jeden individuellen Konsumenten nötig.

DIAMANT - Digitale Bildanalyse und bildgebende Massenspektrometrie zur Differenzierung von nichtkleinzelligem Lungenkrebs

BMBF-Projekt
Laufzeit: 01.01.2020 - 31.12.2022
Leitung: Peter Maaß

In DIAMANT werden die molekularen Informationen aus MALDI IMS Daten mit den detaillierten anatomischen Informationen aus digitalen Mikroskopiebildern kombiniert. Mithilfe einer integrierten Analyse der Daten aus beiden komplementären Modalitäten wird ein Klassifikationsmodell zur Krebsdiagnostik entwickelt, das deutlich genauer ist als bestehende, nur auf einer der beiden Modalitäten basierende Modelle.

MarDATA - Machine learning in climate modelling

Helmholtz-Projekt
Laufzeit: 01.12.2019 - 30.11.2022
Leitung: Peter Maaß

Computersimulationen können die volle Dynamik der realen Welt nicht vollständig auflösen, so dass Verbesserungen der Realitätsnähe von Klimamodellen immer angestrebt werden. In diesem Projekt sollen Methoden des maschinellen Lernens neue und robustere Lösungen zur Datenauswertung liefern. Dafür steht hier das FESOM2 (Finite Volume Sea Ice-Ocean Model) Eismodell zur Vefügung.

MarDATA - Monitoring a stressed ice shelf: Machine learning algorithms to detect icequakes in 20 years of seismological records at neumayer station, antarctica

Helmholtz-Projekt
Laufzeit: 01.11.2019 - 31.10.2022
Leitung: Peter Maaß

In der Kryoseismologie werden Eisbeben genutzt, um die Auswirkungen der globalen Klimaerwärmung auf die Eisschilde zu überwachen. Von der Neumayer-Station in der Antarktis liegen seismologische Daten aus 20 Jahren von Eis- und Erdbeben vor; um Veränderungen der küstennahen Schelfeisumgebung aufzudecken, sollen effiziente Algorithmen entwickelt werden, die Eisbeben automatisch erkennen und klassifizieren.

MarDATA - Robust Machine Learning applied to Stratospheric Chemistry Models

Helmholtz-Projekt
Laufzeit: 01.12.2019 - 30.11.2022
Leitung: Peter Maaß

Heutige chemische Modelle in der Erdsystemmodellierung sind in der Lage, physikalische und chemische Prozesse in den entsprechenden Domänen detailliert darzustellen. In diesem Projekt soll gezielt ein neuronales Netz trainiert und optimiert werden, um die stratosphärische Änderungsrate von Ozon zu untersuchen.

MALDISTAR - Studie zur Qualitätsbewertung, Standardisierung und Reproduzierbarkeit von Daten der bildgebenden MALDI-Massenspektrometrie

KTS-Projekt
Laufzeit: 01.07.2019 - 30.06.2022
Leitung: Peter Maaß

MALDI Imaging stellt eine etablierte Methode für die räumliche Untersuchung von Biomolekülen dar. Trotz vieler Vorteile wird jedoch zunehmend deutlich, dass die Daten hoher Variabilität unterliegen. Aus diesem Grund werden in MALDISTAR Werkzeuge zur Qualitätsbewertung sowie neue Kalibrierungs- und Cross-Normalisierungsmethoden entwickelt.

ROMSOC - Reduced Order Modelling, Simulation and Optimization of Coupled Systems

EU-Projekt
Laufzeit: 01.11.2017 - 31.08.2022
Leitung: Peter Maaß

Das wissenschaftliche Ziel des Doktorandenprogramms ist es, die mathematischen Grundlagen und Methoden bei der zunehmend virtuellen Entwicklung von industriellen Produkten und Prozessen zu entwickeln, wobei Kopplungsmethoden, Modellreduktionsverfahren und Optimierungsmethoden im Fokus stehen.

ML-X-RAY - Maschinelles Lernen und Röntgentechnologie zur Messung von inhomogenen Kabel- und Rohrprodukten

BAB-Projekt
Laufzeit: 01.03.2021 - 31.10.2022
Leitung: Peter Maaß

In der Produktionsentwicklung spielen die Reinheit eines Produkts und die damit verbundene Qualitätskontrolle eine zentrale Rolle. Um eine maximale Material- und Kostenersparnis zu gewährleisten,
ist die zuverlässige Vermessung der gefertigten Produkte sowie die Detektion von Abweichungen hinsichtlich der vorgegebenen Produktspezifikation unabdingbar. Das Ziel von ML-X-RAY ist die Erforschung und Weiterentwicklung eines Vermessungssystems für die Prüfung von inhomogenen Kabel- und Rohrprodukten mit Hilfe von innovativen Ansätzen aus dem Bereich Machine Learning bzw. Deep
Learning in Form von Convolutional Neural Networks. Das Projekt wird in Kooperaton mit dem Industriepartner SIKORA AG durchgeführt.

SFB 1232 Von farbigen Zuständen zu evolutionären Konstruktionswerkstoffen

DFG-Projekt
Laufzeit: 01.07.2016 - 30.06.2020
Leitung: Peter Maaß

Das Vorantreiben von Innovationen in der Energieerzeugung und -wandlung, Mobilität, Infrastruktur sowie Sicherheit benötigt entsprechende Konstruktionswerkstoffe. Es sollen neue Werkstoffe unter Berücksichtigung von Material- und Energieeffizienz entwickelt werden, wobei die Entwicklung einer neuartigen wissenschaftlichen Methode, mit der metallische Konstruktionswerkstoffe in einem sehr großen Suchraum experimentell effizient gefunden werden können.

MPI² - Modellbasierte Parameteridentifikation in Magnetic Particle Imaging

BMBF-Projekt
Laufzeit: 01.12.2016 - 31.05.2020
Leitung: Peter Maaß, Tobias Kluth

In MPI² werden modellbasierte Verfahren und deren effiziente algorithmische Umsetzung erforscht. Als Anwendungsbeispiel dient hier die Magnetpartikelbildgebung (MPI), ein tomographisches Verfahren, welches darauf basiert, Eisenoxid-Nanopartikel im menschlichen Körper zu verfolgen.

MaDiPath - Massenspektrometrisches Profiling/Grading für onkologische Routineanwendungen der digitalen Pathologie

BMBF-Projekt
Laufzeit: 01.10.2015 - 30.09.2018
Leitung: Name

MaDiPath untersucht die Erforschung und Etablierung massenspektrometrischer Methoden, hier MALDI Imaging, für die digitale Pathologie. Ziel des Projekts ist es, Methoden zu entwickeln, die eine objektive, reproduzierbare und automatisierte Grundlage zur pathologischen Tumordiagnostik und der darauf aufbauenden personalisierten Verlaufs- und Therapieplanung ermöglichen.

MALDI Imaging Lab – Ein interdisziplinäres Gerätezentrum zur Akquise und Analyse von Daten der bildgebenden Massenspektrometrie

DFG-Projekt
Laufzeit: 01.07.2011 - 31.12.2018
Leitung: Peter Maaß

Das MALDI Imaging Lab, kurz MIL, ist ein Gerätezentrum und eine Forschungseinrichtung, die sich auf die Akquise von bildgebenden massenspektrometrischen Daten spezialisiert hat. Sowohl uni-interne als auch externe Interessenten können ihre Proben im Gerätezentrum vermessen lassen. Das Serviceangebot umfasst Probenpräparation, Messung, eventuelle Nachbehandlungen wie z.B. Färbungen und Mikroskopie, sowie die computergestützte Auswertung der Daten.

HYPERMATH - Hyperspektrale Bildgebung: Mathematische Methoden für Innovationen in Medizin und Industrie

BMBF-Projekt
Laufzeit: 01.07.2013 - 30.10.2016
Leitung: Peter Maaß

In HYPERMATH werden daten-adaptierte und anwendungsspezifische Ansatzfunktionen für eine effiziente Datenauswertung und Approximationen bestimmt. Zudem werden inhärente Lokalisierungsprobleme der zugrunde liegenden Messverfahren mathematisch erfasst und analysiert. Die darauf aufbauenden Verfahren berücksichtigen Multi-Skalen-Strukturen, um Datensätze mit einer Billion und mehr Werten effizient bearbeiten zu können.

Entwicklung eines Digital-Staining-Verfahrens als pathologisch-histologisches Diagnosewerkzeug auf Basis der MALDI-Imaging-Technologie

BMWI-Projekt
Laufzeit: 01.07.2014 - 30.06.2016
Leitung: Peter Maaß

Im Fokus des Projekts steht die Entwicklung von neuartigen, mathematischen Methoden für die Auswertung von MALDI-Imaging-Spektren sowie die Erstellung von standardisierten Abläufen für die Probenpräparation und Datenaufnahme. Diese Entwicklungen erfolgen hierbei exemplarisch an Tumoren aus der Bauchspeicheldrüse und der Lunge sowie Metastasen aus der Leber und hatten somit direkten Bezug zu wichtigen Fragestellungen in der Onkologie.

SceneNet - Mobile Crowd Sourcing Video Scene Reconstruction

EU-Projekt
Laufzeit: 01.02.2013 - 30.01.2016
Leitung: Peter Maaß

Seit einigen Jahren kommen Konzerte, Sportereignisse oder Familienfeiern kaum mehr ohne das Filmen der Szenen mit Smartphones aus. Diese Videos zeigen nur einen kleinen Blickwinkel des Szenarios und sind oft von geringer Qualität. Das Projekt SceneNet zielte darauf ab, audio-visuelle Aufnahmen eines öffentlichen Ereignisses in eine Videosequenz von höchster Qualität zu übertragen. In diesem Video kann dann ein Event aus verschiedensten Blickwinkeln interaktiv begutachtet werden.

MALDI AMK - 3D-MALDI-Imaging zur Analyse proteomischer Marker und klinischer Wirkstofffverteilung

BMBF-Projekt
Laufzeit: 01.04.2011 - 30.07.2014
Leitung: Peter Maaß

In enger Kooperation mit medizinischen Partnern werden klinisch-onkologische Fragestellungen direkt in Organen und Geweben erforscht, die den Kontext des hochkomplexen, heterogenen 3D-Gewebeverbands voraussetzen. Eine besondere Herausforderung ist dabei die 3D-Visualisierung und die direkte Interaktion mit diesen 3D-Daten.

UNLocX - Uncertainty principles versus localization properties, function systems for efficient coding schemes

EU-Projekt
Laufzeit: 01.09.2010 - 30.08.2013
Leitung: Peter Maaß

Eine neue Generation von Signalverarbeitungs-Algorithmen soll erprobt werden, die - beispielsweise in der medizinischen Bildverarbeitung - die Bearbeitung von Problemen ermögliche, deren Komplexität bisher zu hoch war, und daneben eine noch effizientere Kompression und Datenübertragung ermöglichen.

SPP 1324 - Adaptive Wavelet Frame Methods for Operator Equations: Sparse Grids, Vector-Valued Spaces, and Applications to Nonlinear Inverse Parabolic Problems

DFG-Projekt
Laufzeit: 01.04.2009 - 01.12.2013
Leitung: Peter Maaß

Die Erkenntnis, dass die Embryogenese von Organismen durch Gene gesteuert wird, stellt einen Meilenstein der modernen biologischen Forschung dar. Hieraus erwuchs das Interesse, die vorliegenden Prozesse auch quantitativ zu verstehen und möglichst zu modellieren. Dieser Herausforderung stellt sich das Kooperationsprojekt des Zentrums für Technomathematik mit der Universität Marburg im Rahmen des DFG-Schwerpunktprogrammes SPP 1324. Konkret geht es um die Lösung einer schlecht gestellten, nichtlinearen Operatorgleichung Ax=y, die differenzierbar zwischen Banach-Räumen abbildet.

Räumlich dreidimensional aufgelöste Stoffwechsel-Analyse für die Medizin

WFB-Projekt
Laufzeit: 01.07.2010 - 30.06.2012
Leitung: Peter Maaß

In diesem Projekt werden technische Prozessketten erarbeitet, um ein 3D-bildgebendes Verfahren zu entwickeln. Dies wird ermöglichen, das Protein-Spektrum eines gesamten Organs oder einer gesamten krankheitsbedingten Läsion in seiner vollen Komplexität zu erfassen und zu analysieren. Dazu zählen die Verteilung und Metabolisierung von Wirkstoffen in den krankhaft veränderten Geweben (z.B. Tumoren) und das damit unmittelbar zusammenhängende Therapieansprechen.

Aktualisiert von: Web Team AG Technomathematik

RSS

Seite drucken