Zuwendungszweck ist die Förderung von Forschungsprojekten, die neue Architekturen und Lernalgorithmen der KI entwickeln, um die Leistungsfähigkeit, breite Anwendbarkeit und das grundlegende Verständnis von KI nachweislich signifikant über den derzeitigen Stand der Technik hinaus zu verbessern.

Gefördert werden KI-Projekte zu den folgenden Forschungsgegenständen, die grundlegend das Verständnis von Künstlicher Intelligenz, des maschinellen Lernens oder ihrer Effizienz verbessern und den methodischen Fortschritt durch hybride Ansätze vorantreiben. Dabei sollen die entwickelten Methoden weit über den derzeitigen internationalen Stand der Technik hinausgehen. Es können folgende Forschungsgegenstände adressiert werden:

• Grundlegende Fortschritte in der KI: Erforschung der grundlegenden Funktionsweise sowie der Begrenzungen von KI mit dem Ziel eines vertieften Verständnisses (Beispiele hierfür sind mathematische oder statistische Grundlagen zur Funktionsweise von künstlichen neuronalen Netzen und neuro-symbolischen Verfahren); grundlegende Forschung zu Generalisierbarkeit sowie Robustheit, zu formalen Methoden zum Beweisen möglicher Funktionsweisen, zur Neutralisierung der Ergebnisse aus manipulativen Trainingsdaten; Entwicklung neuer robuster ambitionierter Benchmarks; Durchführung von Vergleichs- sowie Meta-Studien.
• Ausgewählte Forschungstrends der hybriden/informierten KI: Entwicklung von Methoden, die Lernverfahren systematisch mit explizitem Wissen, Simulationen oder kausalen Strukturen koppeln und welche verstärkt auf die wissenschaftlichen Anforderungen aus anderen Disziplinen ausgerichtet sowie auf mehrere Disziplinen übertragbar sind. Neue und vielversprechende Ansätze befassen sich zum Beispiel mit simulationsbasierter Inferenz oder der Modellierung beziehungsweise Abschätzung der Unsicherheit von großen künstlichen neuronalen Netzen – mithilfe von beispielsweise probabilistischen Modellen – sowie neue Ansätze in Bayesian Neuronal Networks, Graph Neural Networks, physik-informierten neuronalen Netzen, KI-Modellen auf der Basis von Simulationsmodellen und Diffusionsmodellen für synthetische Daten.
• Agenten-zentrierte offen-lernende Systeme: Erforschung von Methoden für Planung, Selbstverbesserung und Interaktion in Zusammenhang mit komplexen Aufgaben. Beispiele dafür sind Reinforcement Learning sowie Multi-Armed Bandits in dynamischen Umgebungen, Verbindung von Reinforcement Learning mit künstlichen neuronalen Netzwerken (insbesondere Grundlagenmodelle), neue Simulatoren von virtuellen Umgebungen und verbesserte Belohnungs-Funktionen (Reward).
• Effizienz: Erforschung grundlegender Ansätze zur verbesserten Effizienz von großen KI-Modellen hinsichtlich Training oder Inferenz. Beispiele hierfür sind grundsätzlich effiziente implementierbare Modelle, effiziente Trainingsalgorithmen sowie Bibliotheken, Methoden zur gezielteren Bestimmung von Hyperparametern, Methoden zur verbesserten Übertragbarkeit von vortrainierten Modellen, Kompression großer Modelle und modulare Architekturen. Dies schließt geringfügig verbesserte Implementierungen, beispielsweise von Sprachmodellen, ausdrücklich aus. Es ist ein Fokus auf die breite Anwendbarkeit und weite Verbreitung der Lösungen zu legen. Die Ansätze sollen mit bestehenden Ansätzen und hinsichtlich aller Zielkonflikte, die mit anderen Eigenschaften bestehen (zum Beispiel Performanz, Größe, Skalierbarkeit, Robustheit), verglichen werden.

Weitere Infos