KI für komplexe Netzwerke: Lehrstuhl für Inverse Probleme publiziert auf ICML-Konferenz
Ein Forschungsteam um Prof. Dr. Jan-Frederik Pietschmann vom Lehrstuhl für Inverse Probleme der Universität Augsburg konnte seine Arbeit auf der renommierten ICML-Konferenz präsentieren – ein großer Erfolg, denn nur ein Bruchteil der über 12.000 eingereichten Beiträge wurde angenommen. Die International Conference on Machine Learning (ICML) zählt zu den weltweit wichtigsten Konferenzen im Bereich Künstliche Intelligenz. Jedes Jahr kommen hier führende Wissenschaftlerinnen und Wissenschaftler zusammen, um neueste Entwicklungen des maschinellen Lernens vorzustellen und zu diskutieren. Die Konferenz ist hochkompetitiv: 2025 wurden nur rund 27 % der eingereichten Beiträge zur Präsentation angenommen – darunter auch ein gemeinsamer Beitrag des Lehrstuhls für Inverse Probleme an der Universität Augsburg und der TU Chemnitz. „In vielen Anwendungen ist es wichtig, dynamische und hochvernetzte Prozesse zu simulieren – etwa in Verkehrsmodellen oder in der Biologie“, erklärt Prof. Dr. Pietschmann. „Dazu braucht es genaue Modelle, in denen auch unbekannte Einflussgrößen berücksichtigt werden. Genau diese Parameter zu identifizieren ist mathematisch sehr anspruchsvoll.“ Die Annahme des Beitrags auf der ICML ist ein bedeutender Erfolg für den 2023 neu nach Augsburg berufenen Professor Pietschmann. Sein Lehrstuhl wurde im Rahmen der Hightech Agenda Bayern neu eingerichtet und ist Teil des Forschungszentrums CAAPS (Center for Advanced Analytics and Predictive Sciences), das gezielt den Transfer datenbasierter Grundlagenforschung in praktische Anwendungen fördert.
Die vorgestellte Forschungsarbeit beschäftigt sich mit der rechnergestützten Modellierung komplexer dynamischer Systeme auf sogenannten metrischen Graphen. Diese mathematischen Strukturen eignen sich dazu, verzweigte Netzwerke wie Straßen, Rohrsysteme oder biologische Transportwege zu beschreiben. Besonders bei sehr großen Netzwerken ist eine präzise Simulation jedoch oft mit hohem Rechenaufwand verbunden – oder überhaupt nicht mehr praktikabel.
Effizienter rechnen mit neuronalen Netzen
Hier setzt der Ansatz des Augsburger Teams an: Mit Methoden aus dem Bereich der Künstlichen Intelligenz – konkret durch sogenannte tiefe neuronale Netze – wird das Verhalten der Modelle auf den einzelnen Netzwerkkanten angenähert, statt sie direkt durch komplexe Gleichungen zu beschreiben. Das reduziert die Rechenzeit erheblich und ermöglicht es gleichzeitig, aus realen Messdaten bislang unbekannte Modellgrößen zu ermitteln. Diese sogenannten inversen Probleme finden sich etwa bei der Analyse von Verkehrsflüssen, bei Gas- oder Wärmenetzen oder beim Transport von Molekülen in biologischen Systemen.
Wissenschaftlicher Erfolg auf internationaler Bühne
Kooperationspartner der veröffentlichten Arbeit sind Prof. Dr. Martin Stoll, Dr. Max Winkler, Dr. Jan Blechschmidt und Tom-Christian Riemer von der Fakultät für Mathematik der TU Chemnitz. Die entwickelte Methode bietet vielseitige Perspektiven – von der Verkehrsplanung über industrielle Infrastrukturen bis hin zur medizinischen Forschung.