Berlin Initiative for Applied Foundation Model Research (Appl-FM)

Der demografische Wandel stellt unsere Gesellschaft vor erhebliche Herausforderungen, die innovative Technologien erfordern, um zukunftsfähige Lösungen zu entwickeln. Im Fokus der Forschungsinitiative an der BHT stehen drei zentrale Ansätze: Erstens sollen Roboter künftig die menschliche Arbeitskraft ergänzen, um den Rückgang der Arbeitskapazitäten durch höhere Produktivität zu kompensieren. Zweitens wird die alternde Bevölkerung eine intensivere medizinische Versorgung benötigen, bei der maschinelles Lernen Ärzten wertvolle Unterstützung bei Diagnosen bieten kann. Drittens zielt die Grundlagenforschung in der computergestützten Zellbiologie darauf ab, Krankheitsdiagnosen zu verbessern.

Zur Bewältigung dieser Herausforderungen werden drei Forschungsszenarien untersucht: Robotik, Quantitative Biologie und Prädiktive Medizin.

Kern des Vorhabens ist die anwendungsorientierte Grundlagenforschung zu Foundation Models, Computermodellen wie ChatGPT, die durch KI und maschinelles Lernen trainiert werden. Diese Modelle erkennen Muster in Texten und lernen auch von akustischen, visuellen oder räumlichen Daten.

Vision der Initiative ist, dass selbstlernende Roboter fehlendes Personal ausgleichen und Systeme des maschinellen Lernens bei der Diagnostik unterstützen. Aus den Anwendungsbereichen ergeben sich methodische Herausforderungen, die durch Forschung an vier Basistechnologien beantwortet werden sollen: Kontinuierliches Lernen, Sehen und Bewegungserkennung, Robustheit, Fairness und Erklärbarkeit sowie Lernen und Anpassung von Textdaten.

Ob selbstlernender Roboter, intelligentes Mikroskop oder Diagnosetool – die Technologien werden in den BHT-Forschungslaboren bereits angewandt. Damit sie in Wirtschaft und Gesellschaft zukünftig zum Einsatz kommen können, bedarf es aber der langfristigen Erforschung und dem Training von KI-Anwendungen, was durch diese Forschungsinitiative für drei Teilbereiche ermöglicht wird.

Teilprojekt: Selbstlernende Roboter

Ein Kind lernt zu zählen, indem es die Anzahl von Dingen mit den Fingern darstellt. Mit Übung kann es schließlich ohne Fingerbewegung zählen. Theorien besagen, dass das Zahlenverständnis an körperliche Erfahrungen gebunden ist. Darauf aufbauend: Wahre Intelligenz benötigt einen Körper – oder einen Roboter. Roboter könnten eines Tages selbstständig Aktivitäten für Menschen übernehmen, etwa Botengänge für beeinträchtigte Personen oder als Assistenz im Gesundheits- und Logistikwesen.

Im Human.VR.Lab bringen die Forschungsteams an der BHT den Robotern das Laufen und Handhaben mittels Motion-Capture-Verfahren bei. Kameras filmen Menschen bei alltäglichen Aufgaben wie Gehen oder Greifen. Dabei werden sowohl visuelle Daten als auch Signale zur Muskelaktivität mit speziellen Elektroden erfasst.

Ziel des Appl-FM-Teilprojektes ist es, in diesen Daten Bewegungsmuster, sogenannte Motion Primitives, zu identifizieren und in eine für Roboter verständliche Sprache zu übersetzen. Der Roboter lernt dann durch eigenes Ausprobieren, diese Bewegungen vom Start- zum Endpunkt auszuführen. So entsteht eine Bibliothek von Bewegungsmustern, die der Roboter flexibel kombinieren und in unbekannten Situationen anwenden kann – die Grundlage für eigenständige Bewegungen und Intelligenz.

Die Bewegungen müssen aber nicht alle im Labor nachgestellt werden. Das Team arbeitet daran, Bewegungsdaten aus frei verfügbaren Videos zu extrahieren, um die KI darauf zu trainieren, sich das Wissen später selbst anzueignen. Ein Roboter kann Videos viel schneller abspielen. Wofür der Mensch Jahre bräuchte, könnte für die Maschine in wenigen Tagen erlernbar sein.

 

Interdisziplinäre Zusammenarbeit zum KI-Einsatz in Robotik, Medizin und Biotechnologie im Appl-FM-Team:
Humanoide Robotik:

Prof. Dr.-Ing. Ivo Boblan (Humanoide Robotik)

Prof. Dr.-Ing. Hannes Höppner (Humanoide Robotik)

Life Sciences and Technology:

Prof. Dr. techn. habil. Elisabeth Grohmann (Mikrobiologie)

Prof. Dr. rer. nat. Simone Beate Reber (Biochemie)

Informatik und Medien:

Prof. Dr. rer. nat. Felix Bießmann (Maschinelles Lernen)

Prof. Dr. Felix Alexander Gers (Maschinelles Lernen)

Prof. Dr.-Ing. Kristian Hildebrand (Grafisch-Interaktive Systeme)

Prof. Dr.-Ing. habil. Alexander Löser (Maschinelles Lernen)

Prof. Dr.-Ing. Amy Siu (Maschinelles Lernen)

Kooperationspartner aus der Informatik an der HTW:

Prof. Dr. Erik Rodner (Maschinelles Lernen, Informatik)

 

Förderung:

DFG (Forschungsimpulse)

 

Kontakt Sprecher der Gruppe:

Felix.Gers (@) bht-berlin.de

Simone.Recber (@) bht-berlin.de

Kontakt für Anfragen Presse und Öffentlichkeitsarbeit:

Ivo.Boblan (@) bht-berlin.de (Humanoide Robotik)

Alexander.Loeser (@) bht-berlin.de (Data Science)