GRK 3081:  Maschinelles Lernen und Kontrolltheorie: Exploration von Synergien zum beidseitigen Nutzen (METEOR)

• Fachliche Zuordnung: Informatik ; Elektrotechnik und Informationstechnik
• Förderung: Förderung seit 2026
• Webseite: Zur Homepage
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 534429653

Im Lichte der aktuellen Herausforderungen im Bereich der Künstlichen Intelligenz widmet sich das Graduiertenkolleg METEOR dem Ziel, das Maschinelle Lernen (ML) und die Kontrolltheorie (KT) zu einen und die Interaktion zwischen beiden Disziplinen zu stärken. Trotz gemeinsamer Interessen und Methoden haben sich beide Gebiete weitgehend unabhängig voneinander entwickelt und dabei unterschiedliche Sprachen und Kulturen herausgebildet. Die Kombination des lernzentrierten, datengetrieben Ansatzes des ML und der primär modellbasierten Sichtweise der KT erscheint hochgradig vielversprechend, erfordert jedoch Wissenschaftlerinnen und Wissenschaftler mit Expertise auf beiden Seiten. Durch die Verbindung von Spitzenforschung und einer umfassenden interdisziplinären Ausbildung wird METEOR eine solch neue Generation von Forscherinnen und Forschern an der Schnittstelle von ML und KT hervorbringen. Das Forschungsprogramm konzentriert sich dabei auf zwei Hauptrichtungen: erstens, wie ML den datengetriebenen Entwurf von robusten Regelungen für komplexe, sicherheitskritische Anwendungen unterstützen kann („ML für KT”), und zweitens, wie Konzepte und Methoden der KT zur Verbesserung von ML-Algorithmen beitragen können („KT für ML”). Beide Richtungen werden aus der Perspektive komplexer dynamischer Systeme betrachtet, die einen gemeinsamen mathematischen Rahmen bilden. Die Forschung adressiert vier Hauptthemen: (1) Modellierung und Quantifizierung von Unsicherheit für robuste Regelungen, (2) Repräsentationen für dynamische Systeme und Regelungen, (3) Kontrolltheorie für den Entwurf von Algorithmen für maschinelles Lernen und (4) formale Analyse von Algorithmen für maschinelles Lernen mittels Kontrolltheorie. Das Qualifizierungsprogramm von METEOR setzt einen starken Schwerpunkt auf Interdisziplinarität. Derzeit verfügen Studierende der Ingenieurwissenschaften oft über einen soliden Hintergrund in Differentialrechnung, Differentialgleichungen sowie wissenschaftlichem Rechnen, während Studierende der Informatik und Statistik in der Regel sehr versiert in Optimierung, Datenanalyse und ML sind. Das interdisziplinäre Verständnis zwischen ML und KT ist jedoch meist begrenzt. Eine neu konzipierte Vorlesung „Maschinelles Lernen und Kontrolltheorie“ sowie forschungsorientierte Seminare und ein Lese- und Schreibclub sollen daher eine gemeinsame Sprache und ein Grundverständnis zwischen beiden Disziplinen schaffen. Innovative Maßnahmen wie interdisziplinäre Workshops und jährliche Hackathons schlagen eine weitere Brücke zwischen ML und KT und vermitteln praktische Erfahrungen. Um die Absolventinnen und Absolventen auf eine erfolgreiche Karriere in Wissenschaft und Industrie vorzubereiten, wird das Programm durch gezielte Soft-Skill-Kurse und internationale Forschungsaufenthalte abgerundet.

• DFG-Verfahren: Graduiertenkollegs
• Antragstellende Institution: Ludwig-Maximilians-Universität München
• Mitantragstellende Institution: Technische Universität München (TUM)
• Sprecher: Professor Dr. Eyke Hüllermeier
• beteiligte Wissenschaftlerinnen / beteiligte Wissenschaftler: Professor Dr.-Ing. Matthias Althoff; Professor Dr. Massimo Fornasier; Professorin Dr.-Ing. Sandra Hirche; Professorin Dr. Gitta Kutyniok; Professor Christian Kühn, Ph.D.; Professor Dr. Johannes Maly; Professor Dr. David Rügamer; Professorin Dr. Angela Schoellig; Professor Dr. Volker Tresp