Förderprojekte

Förderbeginn 01.01.2021

Ausstattung Künstlicher Intelligenz mit regelungstheoretischen Garantien: Datenbasierte Optimierung in Echtzeit für dynamische Systeme

Prof. Dr. Enrique Zuazua
Friedrich-Alexander-Universität Erlangen-Nürnberg
Department Mathematik, Chair for Dynamics, Control

Prof. Dr. Miroslav Krstic
University of California, San Diego
Department of Mechanical and Aerospace Engineering

Im Gegensatz zu den meisten Algorithmen des maschinellen Lernens, die noch nicht mit Garantien für Konvergenz und Stabilität in Echtzeit für Rückkopplungen beinhaltender Anwendungen dynamischer Systeme ausgerüstet sind, besitzt eines der frühesten Beispiele datenbasierter Optimierungsalgorithmen, der sogenannte Extremwertregler (EWR)-Ansatz, dessen ursprüngliche Idee auf ein hundert Jahre altes Patent in Frankreich aus dem Jahr 1922 zurückgeht, nachweisbare Eigenschaften der Stabilität und sogar zuordenbare Konvergenzraten. Dies ist ein Beispiel für Künstliche Intelligenz (KI), Jahrzehnte bevor der Begriff der KI formalisiert wurde. Für endlich-dimensionale Systeme wurden die mathematischen Garantien für EWR um 2000 von Prof. M. Krstic entwickelt. In den letzten Jahren erweiterte er den EWR-Algorithmusentwurf und die Stabilitätsanalyse von gewöhnlichen Differentialgleichungen (GDG) auf partielle Differentialgleichungen (PDG). Der Besuch von Prof. M. Krstic an der FAU wird eine Gelegenheit sein, die Zusammenarbeit auf diesem Gebiet mit Blick auf weitere PDG-Anwendungen, einschließlich Gastransportnetzwerke, zu erkunden.

Abschlussbericht
Prof. M. Krstic besuchte die FAU im September 2022 dank der großzügigen finanziellen Unterstützung durch das Gaststipendium von BACATEC "Endowing Artificial Intelligence with Control-Theoretic Guarantees: Data-Based Optimization in Real Time for Dynamic Systems". Er hatte die Gelegenheit, sich mit verschiedenen Vertretern der FAU und ihrer umliegenden Institutionen zu treffen und mögliche Kooperationsprogramme zu besprechen. Außerdem hielt er die Eröffnungsvorlesung des FAU MoD "Learning-Based Optimization and PDE Control in User_Assignable Finite Time". Er hatte auch die Gelegenheit, sich mit den jungen Forschern des Lehrstuhls für Dynamik, Steuerung und Numerik unter der Leitung von E. Zuazua, dem Hauptorganisator dieses Besuchs, zu treffen und zu diskutieren.

Während dieses Besuchs wurde einstimmig anerkannt, dass:

1. Die Schnittstelle zwischen dem traditionellen Gebiet der Regelungstechnik und den neuen Paradigmen des maschinellen Lernens ist ein sehr reichhaltiges und vielversprechendes Forschungs- und Technologiethema, das für beide Teams und Institutionen von gemeinsamem Interesse ist.

2. Es besteht ein enormes Potenzial für eine Zusammenarbeit, die auf komplementärem Fachwissen im Bereich des Lernens basiert und von einem gemeinsamen wissenschaftlichen Fachwissen im Bereich der PDE-Kontrolle ausgeht, mit dem Ergebnis der Entwicklung neuer gemeinsamer Ausbildungs- und Austauschprogramme zwischen FAU und UC-SD.

3. Diese Ziele beziehen sich auf die Prioritäten der FAU in Übereinstimmung mit der HighTech Agenda Bayern.

4. Eine solche Zusammenarbeit würde insbesondere die Entwicklung von Praktikumsprogrammen für Doktoranden beider Einrichtungen ermöglichen, die für ein Semester (ungefähr) die jeweils andere Einrichtung besuchen, um ihre Ausbildung durch eine intensive Forschungszusammenarbeit zu ergänzen.

5. Auch für den Technologietransfer ergeben sich wichtige Möglichkeiten. Zum Beispiel haben ehemalige Doktoranden und Postdocs beider PIs jetzt Forscherpositionen in führenden Software- und Künstliche-Intelligenz-Unternehmen wie NVIDIA und Sherpa AI.