Forschungsschwerpunkt Cognitive Computing in Life Sciences
Mit Cognitive Computing entwickeln wir neue Algorithmen, Modelle sowie Systeme für die Signalverarbeitung, Datenanalyse und Prozesssteuerung in den Life Sciences.
Über uns
Das Forschungszentrum Cognitive Computing in Life Sciences entwickelt Berechnungsmethoden und -modelle, die von den Lern- und Selbstorganisationsprinzipien biologischer neuronaler Systeme inspiriert sind und wendet diese auf Probleme in den Life Sciences an, wie z. B. Verarbeitung von Biosignalen, Aktivitätserkennung, Umweltüberwachung und autonome Assistenzsysteme in Produktion-, Landwirtschaft-, und Gesundheitssystemen.
Unser Ansatz
Eine Kombination von modellbasierten Methoden und datengesteuertem maschinellen Lernen:
Selbstorganisierende und komplexe Systeme
- Dynamische Systeme, zelluläre Automaten, physikbeschränktes Deep Learning
Neuromorphic Computing
- Ereignisbasiertes Sehen, neuronale Bewegungsplanung und -steuerung, autonomes Lernen, energieeffiziente KI, Echtzeit-KI
Klassisches und auf Deep Learning basiertes maschinelles Lernen
- NLP, generative KI, multimodale Modellierung, erklärbare KI
- Reinforcement learning, Bayes'sche Modellierung, vorauschauende Analytik, Signalverarbeitung
Beispiele für Anwendungsbereiche
- Umweltsysteme und Nachhaltigkeit
- Perzeption und Analyse
- Spektralanalyse in der Lebensmittelindustrie und Materialwissenschaft
- Protein-Engineering
- Prozessautomatisierung
- Vorausschauende Wartung
- Biosignalanalyse und Sportanalytik
- Intelligente Landwirtschaft
- Kollaborative und assistierende Roboter
Unsere Forschungsgruppen
Das Zentrum besteht aus fünf unabhängigen Forschungsgruppen:
Autonomous Learning Systems (ALS)
Leiter: Dr. Claus Horn
Die Forschungsgruppe fokusiert sich auf die Entwicklung von KI-Systemen der nächsten Generation durch die Integration von Techniken des tiefen Lernens und des verstärkenden Lernens, um autonome KI-Agenten zu entwickeln. Diese Agenten können für ein breites Spektrum von Prozessautomatisierungsaufgaben in den Biowissenschaften eingesetzt werden. Ein besonderer Schwerpunkt ist die Entwicklung von KI-Lösungen für das Protein-Engineering.
Advanced Signal Analytics (ASA)
Leiter: Dr. Matthias Nyfeler
Diese Forschungsgruppe arbeitet in der Analyse, Modellierung und Klassifizierung von Signalen sowie an der statistischen Modellierung und Beratung. Unsere Expert:innen wenden physikalische und statistische Modelle sowie Deep Learning auf Probleme in den Biowissenschaften wie landwirtschaftliche Systeme, Chromatographie oder Signale von Drohnen an. Die Gruppe besteht aus Datenwissenschaftlern und Statistikern mit einem Hintergrund in theoretischer und angewandter Physik und Mathematik, die über langjährige Erfahrung in Forschung und Lehre in den Lebenswissenschaften verfügen.
Computational Environment Group (CEG)
Leiter: Dr. Martin Schüle
Die Forschungsgruppe beschäftigt sich mit der Modellierung natürlicher Systeme und deren Interaktion mit dem Menschen. Dies beinhaltet auch Nachhaltigkeitsthemen in einem allgemeineren Kontext, z.B. im Hinblick auf soziale und ökonomische Fragen. Unsere Expert:innen wenden einen datenwissenschaftlichen, Deep Learning- und Modellierungsansatz bei Fragenstellungen an. Ein besonderer methodischer Schwerpunkt liegt auf Deep-Learning-Methoden, multimodalem Lernen mit natürlicher Sprachverarbeitung und auf der Modellierung mit diskreten Systemen wie zellulären Automaten.
Neuromorphic Computing Group (NCG)
Leiterin: Dr. Yulia Sandamirskaya
Die Forschungsgruppe entwickelt fortschrittliche, auf neuronalen Netzen basierende Algorithmen, Softwarebibliotheken und Systeme mit der neuen Generation von Computerchips - gehirninspirierte neuromorphe Sensor- und Computerhardware. Unsere Expert:innen konzentrieren sich uns auf Wahrnehmung, Bewegungsplanung und Steuerung für Roboteraktoren mit Anwendungen in den folgenden Gebieten: Gesundheitswesen, Landwirtschaft, Lebensmittelverarbeitung und intelligente Umgebungen. Die Forschungsgruppe verfolgt einen auf den Menschen ausgerichteten Designansatz, um eine neue Generation von physischen KI-Systemen zu entwickeln, welche energieeffizient, anpassungsfähig und sicher sind.
Predictive Analytics Group (PAG)
Leiter: Dr. Krzysztof Kryszczuk
Der Schwerpunkt der Forschungsgruppe liegt auf der angewandten Forschung im Bereich der statistischen Modellierung und des maschinellen Lernens zur Entdeckung von Mustern sowie auf Data Mining, Mustererkennung und Prognosen in den Biowissenschaften. Unsere Expert:innen verfügen über eine nachweisliche Erfolgsbilanz in den Bereichen Medizintechnik, personalisierte Gesundheit und Sportanalytik. Die Expertise der Gruppe liegt in der Fusion heterogener Informationsquellen und Ensemble-Methoden, insbesondere für die Zeitreihen- und Bild-/Video-Analytik. Im Kontext von Industrie 4.0 forscht die Gruppe auf dem Gebiet der prädiktiven und präskriptiven Wartung.
Lehre
Der Forschungsbereich umfasst Lehrengagements auf BSc- und MSc-Stufe sowie in der Weiterbildung. Auf BSc-Stufe Gebiet werden Grundlagenfächer im Bereich der mathematischen und physikalischen Modellierung, der Statistik sowie der Informationsverarbeitung in allen Studiengängen des Departements angeboten. Weiter umfasst die Lehre spezifische Fächer im Bereich der Data Science mit Fokus «maschinelles Lernen, neuronale Netzwerke, Signal-und Bildanalyse» in den institutseigenen Programmen BSc ADLS, MSc ACLS und in der Weiterbildung. Drittens werden spezifische Fächer vor allem in der Vertiefung Digital Environment des ADLS angeboten.
Team Cognitive Computing in Life Sciences
-
Zentrumsleitung Cognitive Computing in Life ...
-
Schwerpunktleitung Digital Environment
-
Studiengangleitung MSc Vertiefung ...
-
Leitung Forschungsgruppe für Autonome Lernsysteme
-
Leitung Predictive Analytics Group (FS)
Projekte
-
Stability of self-organizing net fragments as inductive bias for next-generation deep learning
We recently released "A Theory of Natural Intelligence", proposing a possible key to the emergence of intelligence in biological learners. Goal of this fellowship is to develop a technical implementation of the concept of self-organizing netfragments within contemporary deep artificial neural nets. ...
-
Investor and Stakeholder Tools for Tracking Companies’ Climate Commitments, Greenwashing and ESG Trends
In diesem Projekt entwickeln wir wissenschaftlich fundierten Methoden, um systematisch potenzielles Greenwashing in der Unternehmenskommunikation zu identifizieren sowie um Signale für grüne Innovationen und Technologien zu erkennen. Durch die Anwendung fortgeschrittener AI-Methoden auf Tausende von Aktien wollen ...
-
An experimental framework to allow evidence-based sustainability policymaking
Dieses Forschungsprojekt evaluiert die Machbarkeit der Verwendung eines mathematischen Ansatzes in der Nachhaltigkeitspolitik, basierend auf den Arbeiten der Wirtschaftsnobelpreisträger:in von 2019, die einen experimentellen Ansatz zur Verbesserung der Politik im Bereich der Armut durch Feldexperimente entwickelt ...
-
Drohnenalarm
Mikrodrohnen haben längst ihren Einzug in die Consumerwelt gefunden und werden immer erschwinglicher und einfacher in der Bedienung. Eine für Consumerdrohnen sehr vielversprechender Technik zur Erfassung ist die Detektion der ausgesendeten Funksignale. In diesem Projekt wird ein Laptop als Prototyp zur ...
-
Reinforcement Learning Analysis Framework
Das Ziel dieses Projekts ist es, einen Rahmen zu schaffen, der die Entwicklung von RL-Lösungen für reale Anwendungen erleichtert. Dies ist notwendig, da sich die akademische Literatur in der Regel auf spezifische Algorithmen konzentriert und sich die Ansätze für verschiedene Regionen im hochkomplexen RL-Problemraum ...
Publikationen
-
Kryszczuk, Krzysztof; Durrer, Lukas; Godeschalk, Anneke; Schreier, David; Mathis, Johannes; Zahner, Michele,
2017.
Wearable sensors for body core temperature estimation.
In:
Life in Numbers 3, Wädenswil, 31 August 2017.
-
Cuccu, Giuseppe; Danafar, Somayeh; Cudré-Mauroux, Philippe; Gassner, Martin; Bernero, Stefano; Kryszczuk, Krzysztof,
2017.
A data-driven approach to predict NOx-emissions of gas turbines [Paper].
In:
2017 IEEE International Conference on Big Data (BIGDATA).
2017 IEEE International Conference on Big Data (IEEE BigData 2017), Boston, 11-14 December 2017.
S. 1283-1288.
Verfügbar unter: https://doi.org/10.1109/BigData.2017.8258056
-
Danafar, Somayeh; Piorkowski, Michal; Kryszczuk, Krzysztof,
2017.
Bayesian framework for mobility pattern discovery using mobile network events [Paper].
In:
2017 25th European Signal Processing Conference (EUSIPCO).
25th European Signal Processing Conference (EUSIPCO), Kos, 28 August - 2 September 2017.
IEEE.
S. 1105-1109.
Verfügbar unter: https://doi.org/10.23919/EUSIPCO.2017.8081372
-
Glüge, Stefan; Böck, Ronald; Ott, Thomas,
2017.
Emotion recognition from speech using representation learning in extreme learning machines [Paper].
In:
Sabourin, Christophe; Julian Merelo, Juan; O'Reilly, Una-May; Madani, Kurosh; Warwick, Kevin, Hrsg.,
Proceedings of the 9th International Joint Conference on Computational Intelligence.
9th International Joint Conference on Computational Intelligence, Funchal, Portugal, 1-3 November 2017.
SciTePress.
S. 179-185.
Verfügbar unter: https://doi.org/10.5220/0006485401790185
-
Kauf, Peter; Ott, Thomas,
2017.
Smart together : lernfähige Prognose-Algorithmen unterstützen Menschen.
Logistics Innovation.
2017(1), S. 32-35.