Man looking at a machine

AISA Research

Learn more about ongoing AISA Research projects on AI+SE+X

AISA Research Projects

Researchers: Tim Schneider, Dr. Amin Totounferoush
PI: Wolfgang Nowak, Steffen Staab

Machine Learning (ML) applied to scientific domains often neither generates a scientific hypothesis nor exploits existing knowledge in the domain for learning. Our vision is a Bayesian reasoning framework on data and domain knowledge, outputting a posterior on symbolic solutions that create true scientific hypotheses in domains like environmental chemistry. To that end, we develop flexible representations (SE) that enable a domain scientist (X) to naturally express knowledge and ML algorithms (AI) to systematically exploit it, which reflects our main paradigm in the AI-Software Academy (AISA) to combine AI+SE+X.

For instance, the theory of formal tree languages allows assigning proper a-priori probability distributions to the set of syntactically correct mathematical expressions through (probabilistic) regular tree expressions (pRTE). In recent work, as depicted in the figure below, we exploit this for Bayesian reasoning (RJ-MCMC) by contracting a tensor network corresponding to a finite state machine (PTA) that recognizes the structure of generalized sorption isotherm equations in soil science or different classes of hyper-elastic material models. This incorporation of scientific knowledge helps learned models to generalize better from data and yields a truly scientific hypothesis due to its symbolic nature.

Poster

Researcher: Alexander Van Craen, Nico Segreto
PI: Dirk Pflüger, Johannes Kästner

Active learning (AL) is currently of interest in data-heavy research areas where generating labels is computationally expensive. Our project aims to provide a comprehensive active learning framework that incorporates version control for every active learning iteration and experiment. Additionally, we aim to enable parallelization within the framework.
To achieve these goals, we have developed a program package called apax (Atomistic Learned Potential Package in JAX). This soon-to-be-released package is designed to be user-friendly and developer-friendly, facilitating the training and application of neural network potentials. apax utilizes the Gaussian Moment descriptor (https://doi.org/10.1021/acs.jctc.0c00347). The advancements made by apax have the potential to impact the field of atomistic simulation, benefiting various research areas such as materials science and aerospace engineering.

Poster

Researcher: Mayar Alfares
PI: Andreas Bulling, Ralf Küsters

Researcher: Marijana Palalic
PI: Hans-Christian Möhring, Steffen Becker, Andreas Wortmann

Die additiv-subtraktive Bauteilfertigung ist eine Kombination aus additiver Fertigung und anschließender subtraktiver mechanischer Nachbearbeitung der Bauteile. Derartige Bearbeitungsverfahren stellen höchste Anforderungen an die Beherrschung und gegenseitige Abstimmung der einzelnen Prozessschritte im Hinblick auf die Herstellung hochbelasteter Komponenten (z. B. in der Luftfahrt-, Automobil- oder Medizintechnik) und die Erzeugung ihrer Qualitätsmerkmale und Funktionseigenschaften. Bei dem untersuchten additiven Fertigungsverfahren handelt es sich um die "Directed Energy Deposition" (DED), ein Fertigungsverfahren, das sowohl für die Herstellung neuer Bauteile als auch für die Beschichtung und Reparatur bestehender Bauteile geeignet ist. Viele Effekte innerhalb der Prozesse und insbesondere Wechselwirkungen (z. B. Wirkung von Bauteilverzug auf Aufmaß, Prozesskräfte und resultierende Oberflächen, bspw. Temperaturführung, Gefügeerzeugung bzw. -beeinflussung und spätere Bauteilfestigkeit) sind bis heute nicht vollständig durchdrungen und entziehen sich gegenwärtig mangels messtechnischer Lösungen und digitaler Beschreibungsansätze einer umfassenden Beobachtung, Steuerung und Prozessregelung. Hier besteht ein besonderes Potenzial für den Einsatz von Methoden der künstlichen Intelligenz und des maschinellen Lernens sowie eines gezielten und angepassten Software Engineerings. Ziel im Projekt ist es, die Zusammenhänge so beschreiben zu können, dass eine Beobachtung und Anpassung der Prozesse und der Prozesskette derart ermöglicht wird, dass die geforderten Eigenschaften der gefertigten Bauteile mit höchster Prozesssicherheit erreicht werden. Hierzu ist die Verknüpfung mehrerer "Lerndomänen" (additiver Prozess, subtraktiver Prozess, Prozesskette) durch Transferlernen erforderlich.
Verschiedene Messmethoden werden für die Datenerfassung und die Prozess- und Komponentenanalyse eingesetzt. Die Bauteile werden unter verschiedenen Fertigungsbedingungen mit unterschiedlichen Prozessparametern und Scanstrategien hergestellt. Dabei werden Qualitäts- und Funktionseigenschaften, insbesondere der Bauteilverzug und die daraus resultierende Oberfläche der Bauteile, untersucht. Für die prozessbegleitende Überwachung werden zerstörungsfreie Messverfahren eingesetzt. Zu den Techniken, die derzeit im Rahmen des Projekts P4 untersucht werden, gehören Thermografie und Körperschallmessungen für den additiven Fertigungsprozess. Zur Überwachung von Schmelzbadgröße und -geometrie wird ein bildbasiertes Messsystem eingesetzt. In der subtraktiven Nachbearbeitung werden Prozesskräfte sowie Beschleunigungen und Körperschall gemessen. Die Messverfahren werden zur Fehlererkennung in hybrid gefertigten Bauteilen sowie zur umfassenden Überwachung, Steuerung und Prozessregelung eingesetzt. Methoden der künstlichen Intelligenz und des maschinellen Lernens werden unter anderem zur Erkennung von Defekten und fehlerhaften Zuständen in den Bauteilen auf der Basis von Bildern des Schmelzbades eingesetzt, getestet und bewertet.
Hierzu werden geeignete Datenstrukturen für die Integration von Messdaten aus verschiedenen Domänen und unterschiedlichen Messsystemen sowie ein Softwaresystem entworfen. Die Prozess- und Komponentendaten werden entsprechend in einer Datenbank erfasst. Ein weiterer Schwerpunkt im Projekt ist die Qualitätssicherung wie die Ableitung von Testfällen, das Testen von Softwaresystemen mit KI-Komponenten und die probabilistische Analyse. Das Konzept des digitalen Zwillings soll entwickelt und modelliert werden sowie die Kommunikation mit der physikalischen Systemschnittstelle, die Erfassung von Maschinen- und Betriebsdaten und die Kommunikation mit anderen Komponenten des Systems.
Algorithmen der künstlichen Intelligenz enthalten oft mehrere Schichten und Parameter und gelten als komplexe Black-Box-Modelle. Ein wichtiger Parameter, der das direkte Verständnis der Funktionsweise von Modellen ermöglicht, ist die Modelltransparenz. Um ein Backtracking und damit eine Validierung von Entscheidungsprozessen zu ermöglichen und gleichzeitig eine hohe Vorhersagegenauigkeit zu gewährleisten, wird auch an "erklärbaren" KI-Methoden (XAI) geforscht.
Einen Beitrag zu diesem Projekt finden Sie auch in einer Ausgabe von "forschung leben".

Poster

Researcher: Renan Pereira Alessio
PI: Felix Fritzen, Steffen Staab

AISA Kick-Off Event Poster

Researcher: Markus Haug
PI: Stefan Wagner, Ngoc Thang Vu, Justus Bogner

Researcher: Shermin Sherkat
PI: Andreas Wortmann, Thomas Wortmann

This project develops methods for the application, adaptation, and combination of AI planning techniques for sustainable building process planning in timber construction. The development requires (1) the identification, adaptation, and research of suitable new AI planning techniques, (2) appropriate software engineering modeling methods, and (3) expertise from the architecture, engineering, and construction field. A timber-based building system developed in IntCDC serves as an example for this research. Thus, this project builds a bridge between the Artificial Intelligence Software Academy (AISA) and IntCDC. The resulting software demonstrators and research data will be made publicly available.

Please visit also our project websites:

AISA Kick-Off Event Poster

Poster

Researcher: Moatez Chehoudi
PI: Oliver Riedel, Alexander Verl, Stefan Wagner

Researcher: Simeon Rau
PI: Michael Sedlmair, Stefan Wagner

We focus on developing visualizations and interfaces for MLOps in the context of music composition, combining the areas of Artificial Intelligence (AI), software engineering and interfaces, and the application domain of music. Our primary objective is to equip users and specialists in the field with comprehensive tools, efficient interfaces, and streamlined workflows, ultimately fostering the acceptance and usage of innovative technologies. By leveraging AI, we aim to empower composers, music AI analysts, and music enthusiasts with intuitive interfaces and insightful visualizations that enhance their creative processes, understanding of novel technology, and development of new methods.

Please visit also our project related website: https://visvar.github.io/members/simeon_rau.html

Poster

Researcher: Nadine Koch
PI: Steffen Becker, Maria Wirzberger

In the last few years, major improvements in everyday life technology evolved through the use of machine learning (ML; e.g., ChatGPT). To foster innovations in such a direction, we need researchers and developers that are both experts in their field of study and know how to apply ML methods. However, these methods are not taught in most fields of study outside of computer science. Hence, students from fields such as engineering, economics, or social sciences need to learn how to understand and use ML methods in a self-organized way to take advantage of potential advances. Even though there is a lot of material for gaining ML-related knowledge, the material is often not well-structured, and it is hard to separate between more or less helpful materials. To facilitate the learning of ML methods for PhD students, we plan to create a didactic concept that includes the basics of ML with respect to diverse fields of application.

Poster

Researcher: Christian Pfaendner
PI: Kristyna Pluhackova, Benjamin Unger

The increased sampling of coarse-grained simulations are combined with the accuracy of atomistic simulations in sequential multiscale molecular dynamics simulations by seamlessly switching between both resolutions . While coarse-graining is straight forward, the reverse transformation from low to high resolution, known as backmapping, is a non-trivial task. Existing backmapping algorithms may fail to recover the Boltzmann distribution, yield incorrect stereochemistry, or have limited applicability to specific molecules. To address these limitations, we develop a generic machine learning framework that incorporates chemical knowledge for backmapping, with a focus on biomolecules and selected materials. Our algorithm places great importance on accurately recovering the Boltzmann distribution and correct stereochemistry by locally learning them from atomistic data. The final python package will be shared with the scientific community following the FAIR data principles.

Please visit also our project related website: https://www.simtech.uni-stuttgart.de/press/Artificial-intelligence-meets-molecular-dynamics-certified-machine-learning-for-resolution-transformation-00001/

Poster

AISA Associate Projects

Research: Umm-e-Habiba
PI: Stefan Wagner

Contact for AISA Research

This image shows Steffen Staab

Steffen Staab

Prof. Dr.

Artificial Intelligence and Machine Learning | Spokesperson EXC 2075

To the top of the page