ExStra > Exzellenzcluster > Maschinelles Lernen
ALT

Maschinelles Lernen

Bild aus dem interaktiven Kunstexponat „IN ML OUT“. Es thematisiert die Zusammenhänge von Klimawandel und erneuerbarer Energie und zeigt das Potential von Maschinellem Lernen auf.
Bild aus dem interaktiven Kunstexponat „IN ML OUT“. Es thematisiert die Zusammenhänge von Klimawandel und erneuerbarer Energie und zeigt das Potential von Maschinellem Lernen auf. (© Maschinelles Lernen für die Wissenschaft)
Kegel
Exzellenzcluster

Neue Perspektiven für die Wissenschaft

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.

Vor diesem Hintergrund zielt unser Cluster darauf ab, das maschinelle Lernen weiterzuentwickeln, um das wissenschaftliche Verständnis in einem breiten Spektrum von Disziplinen zu fördern – von der Medizin und den Neurowissenschaften über die Kognitions-, Sprach- und Wirtschaftswissenschaften bis hin zur Physik und den Geowissenschaften – und seine Auswirkungen auf wissenschaftliches Arbeiten besser zu verstehen und zu kontrollieren.

Zu diesem Zweck wird sich der Cluster mit vier Forschungsbereichen befassen: (1) Wir werden Algorithmen entwickeln, die in Daten neue Aspekte wissenschaftlicher Gesetze aufdecken. (2) Wir werden Techniken entwickeln, um komplexe Modelle des maschinellen Lernens zu validieren, ihre Unsicherheit zu quantifizieren und potenzielle Fehlerquellen zu identifizieren. (3) Wir werden Methoden bereitstellen, die es Wissenschaftler:innen ermöglichen, alle Phasen des maschinellen Lernprozesses zu kontrollieren. Das schließt bessere Datenrepräsentationen, die Schaffung vereinfachter Schnittstellen zu Algorithmen und die Entwicklung von Werkzeugen zur Analyse trainierter Modelle mit ein. (4) Wir werden untersuchen, wie sich diese Entwicklungen auf die wissenschaftliche Praxis auswirken und wie wissenschaftliche Evidenz beurteilt werden kann.

Das Potential unseres Ansatzes werden wir anhand von beispielhaften Herausforderungen aus den Wissenschaften unter Beweis stellen und z. B. Klimamodelle verbessern, Ursachen für Krankheitsverläufe identifizieren und Strukturen gefährdeter Sprachen oder die Dynamik von Quantensystemen aufklären. Dazu haben wir ein interdisziplinäres Team aus 25 herausragenden, international renommierten Forscher:innen zusammengestellt. Sie werden dabei von zentralen Einrichtungen für Hochleistungsrechnen, Softwareentwicklung und Datenmanagement unterstützt. Basierend auf unserem Erfolg in der ersten Förderperiode bauen wir diesen Cluster weiter aus und schaffen mit ihm ein Umfeld für maschinelles Lernen in der Wissenschaft, das in Deutschland, Europa und weltweit seinesgleichen sucht.

Beteiligte Institutionen:

  • African Institute for Mathematical Sciences (AIMS)
  • ELLIS Institute Tübingen gGmbH
  • Leibniz-Institut für Wissensmedien (IWM)
  • Max-Planck-Institut für biologische Kybernetik
  • Max-Planck-Institut für Intelligente Systeme
Baden-WürttembergIngenieurwissenschaftenFörderphase 2019-2025Förderphase 2026-2032
ALT

Antragstellende Universität

Logo der Universität Tübingen

Eberhard Karls Universität Tübingen

www.uni-tuebingen.de
© 2026 ExStra – Exzellenzstrategie