Die Zukunft wird erneuerbar! Die Gestaltung eines postfossilen Zeitalters erfordert die Entwicklung disruptiver Technologien zur Herstellung und Nutzung von flüssigen Energieträgern und chemischen Produkten als Grundlage für eine nachhaltige Verknüpfung von Energie und Chemie. Energiereiche Moleküle, die erneuerbare Energien zusammen mit nachwachsenden Rohstoffen speichern, leisten einen wichtigen Beitrag zur Defossilisierung des Transportsektors, insbesondere für schwierig elektrifizierbare Schwerlast- und Non-Road-Anwendungen, die einen erheblichen Anteil am Gesamtenergiebedarf haben. Gleichzeitig sind energiereiche Moleküle wesentliche Bestandteile für eine Netto-Null-Produktion von Chemikalien, die die Grundlage für Ernährung, Gesundheit und Wohlstand darstellen.

Seit 2019 entwickeln Forschende des Exzellenzclusters "Daten-Integrierte Simulationswissenschaft (SimTech)" an der Universität Stuttgart eine neue Klasse von simulations- und datengesteuerten Ansätzen, die die Anwendbarkeit und Genauigkeit von Simulationen erhöhen und die Art und Weise verändern, wie wir Wissenschaft und Technik betreiben.

Der Exzellenzcluster "Nachhaltige und energieeffiziente Luftfahrtsysteme" hat das Ziel, die grundlegende wissenschaftliche und technologische Basis für ein transformationsfähiges Luftverkehrssystem der Zukunft zu schaffen.

Der Exzellenzcluster "Science of Intelligence (SCIoI)" trägt maßgeblich dazu bei, Intelligenz als Ganzes besser zu verstehen. Hierzu werden die bestehenden Erkenntnisse aus verschiedenen Disziplinen der Intelligenzforschung zusammengeführt.

Die Exzellenzcluster-Initiative “Verantwortungsvolle Elektronik im Zeitalter des Klimawandels” (REC²) wird einen Paradigmenwechsel in Konzeption, Design, Realisierung, Nutzung und Entsorgung elektronischer Bauteile herbeiführen. Elektronik ist allgegenwärtig, sie ist unerlässlich für den Fortschritt und unterstützt uns in der Bewältigung vieler Herausforderungen, wie dem Klimawandel. Allerdings ist die Elektronik selbst auch ein Teil des Problems: Ihr beträchtlicher Energiebedarf steigt stetig und die immer kürzeren Nutzungszeiten führen zu einem enormen Ressourcenverbrauch.

Deep Learning (DL) hat in den letzten zehn Jahren zu bahnbrechenden Fortschritten in der künstlichen Intelligenz (KI) geführt, und trotzdem haben aktuelle KI-Systeme immer noch bemerkenswerte Schwachstellen. Zum einen erfordern sie beträchtliche Ressourcen, was zu einer Monopolstellung einiger weniger großer Unternehmen führt. Zum anderen können sie nicht logisch denken oder mit ungewohnten Situationen umgehen. Sie verbessern sich nicht kontinuierlich und müssen ständig angepasst und neu trainiert werden.

Als bundesweit einziger Exzellenzcluster der Technischen Optik wendet PhoenixD einen holistischen Ansatz an und erforscht völlig neue optische Systeme, die nahtlos Hard- und Software verbinden.

Maschinelles Lernen verändert die Wissenschaft tiefgreifender, als wir es noch vor wenigen Jahren erwartet hätten. Zwar wurden Methoden des maschinellen Lernens bereits erfolgreich für die Lösung einzelner wissenschaftlicher Probleme eingesetzt, heute scheinen aber noch weitreichendere Möglichkeiten greifbar. “Foundation models”, die mit großen Datensätzen trainiert wurden, stellen Repräsentationen der Daten bereit, die sich für ein breites Aufgabenspektrum eignen und haben die Sprachverarbeitung bereits revolutioniert. “Diffusion models” ermöglichen es, Daten aus komplexen Wahrscheinlichkeitsverteilungen zu erzeugen, und mit modernen Programmierparadigmen können wissenschaftliche Theorien als Teil von Analyseworkflows implementiert werden. Doch die Methoden des maschinellen Lernens haben offensichtliche Mängel mit Blick auf ihre Zuverlässigkeit, Robustheit und Interpretierbarkeit.

Die zentrale Vision des livMatS-Clusters ist es, das Beste aus zwei Welten, der biologischen und der technischen Welt, miteinander zu verbinden und adaptive, energieautonome Materialsysteme mit lebensähnlichen Funktionen zu entwickeln.

Die Vision des Internet of Production (IoP) besteht darin, eine neue Ebene der Crossdomain-Zusammenarbeit zu ermöglichen, indem semantisch adäquate und kontextabhängige Daten aus Produktion, Entwicklung und Nutzung in Echtzeit auf einer angemessenen Granularität bereitgestellt werden.