Synchrotronquellen erzeugen intensive Röntgenstrahlung, die heute für viele Forschungsgebiete unverzichtbar ist. Da in solchen Anlagen riesige Datenmengen erzeugt werden, müssen die relevanten Informationen aus diesen Daten extrahiert werden. Das gelingt mit Methoden des maschinellen Lernens, doch den Modellen fehlen wichtige Vorkenntnisse über die Struktur der untersuchten Systeme. Wir haben Forschenden ermöglicht, dieses Wissen in anpassungsfähige neuronale Netze einzuspeisen, und dadurch genauere Ergebnisse erzielt.

Online-Lernplattformen sind beliebte Apps, um eigenständig Wissen zu erwerben. Allerdings haben sie auch gravierende Schwächen. Wir stellen hier einen neuen Algorithmus vor, mit dem der Wissenserwerb von Lernenden genauer verfolgt werden kann. Indem die Wissensvermittlung an deren persönliche Lernstile angepasst wird, lässt sich der Lernprozess beflügeln. 

Wenn Kinder erwachsen werden, ändert sich die Art und Weise, wie sie lernen, erheblich. Kinder handeln oft ohne erkennbare Absicht, Erwachsene zielgerichteter. Laut einer einflussreichen Theorie verhalten sich Optimierungsalgorithmen, die häufig bei maschinellem Lernen eingesetzt werden, ähnlich. Die nachfolgende empirische Untersuchung zeigt verblüffende Parallelen, aber auch gravierende Unterschiede zwischen menschlichem und maschinellem Lernen.

Forschung im Bereich des maschinellen Lernens und den Datenwissenschaften in und aus Afrika hat das Potenzial, eine global wichtigere Rolle einzunehmen, und steht vor einzigartigen Herausforderungen. Mit seinen Graduiertenprogrammen bereitet das panafrikanische Netzwerk von AIMS (African Institute for Mathematical Sciences) junge Afrikaner*innen darauf vor, zu diesem Ziel beizutragen.

Deep-Learning-Algorithmen sind sehr gut darin, bestimmte Objekte wie einen Hund oder ein Auto in einem Bild zu erkennen. Aber wie funktioniert das eigentlich? Meistens bleiben die Mechanismen, die der Entscheidung eines Algorithmus zugrunde liegen, undurchsichtig. Wie wäre es, wenn wir einen solchen Black-Box-Algorithmus intuitiv erklären und dabei sogar daraus lernen könnten?

Ein 3D-Verständnis unserer Welt ist essentiell für zahlreiche Anwendungen im Bereich der erweiterten und virtuellen Realität, sowie für Simulationen. 3D-Trainingsdaten sind jedoch schwer zu beschaffen. Daher entwickeln wir einen Algorithmus zur Erstellung von 3D-Grafiken, der nur mit 2D-Bildern trainiert werden kann. Indem wir unseren Algorithmus so gestalten, dass er 3D-Daten effizient darstellen kann, halten wir den Rechenaufwand niedrig genug um den Übergang von 2D-Bildern zu 3D-Grafiken zu ermöglichen.

Dass Algorithmen viele Dinge können, verblüfft uns nicht mehr. Nun können sie angeblich auch “erklären”. Aber wollen wir das?