Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2023
Kontrolle und maschinelles Lernen
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
Maschinelles Lernen (ML) läutet eine neue Ära in der Angewandten Mathematik (AM) ein, die reiche, intensive und innovative Forschung, aufschlussreiche neue Ideen und leistungsstarke Methoden hervorbringt. Gleichzeitig führt dies jedoch zu sehr anspruchsvollen grundlegenden, tiefgründigen und komplexen mathematischen Fragen, da maschinelles Lernen zuverlässige Methoden mit theoretischen Garantien benötigt, die eine gute Leistung und Verallgemeinerungseigenschaften erklären können. Dies hat auch wichtige ethische Folgen und Implikationen.
Diese große Herausforderung kann durch die Verbindung mit anderen, ausgereifteren Bereichen der AM aus mehreren Perspektiven angegangen werden. Dieses Projekt zielt darauf ab, die reichhaltige Schnittstelle zwischen Kontrolltheorie (CT) und ML zu entwickeln. Wir wollen auch dazu beitragen, die analytischen Grundlagen der ML-Theorie zu schaffen, die für das Verständnis und die Verbesserung der rechnerischen Effizienz einiger ML-Methoden erforderlich sind, wie z. B. derjenigen, die im Zusammenhang mit Residual Neural Networks (ResNets) für Supervised Learning (SL) und Federated Learning (FL) entstehen, was auch den Anwendungsbereich von CT erheblich erweitern und aktualisieren wird.
Abschlussbericht
Das BACATEC-Projekt bot unserem Team an der FAU eine
außergewöhnliche Gelegenheit, unsere Zusammenarbeit mit Professor Miroslav Krstic
und ganz allgemein mit der University of California in San Diego (UCSD) sowie mit der
wissenschaftlichen Gemeinschaft in Kalifornien zu intensivieren.
Das Hauptthema des Projekts – die Schnittstelle zwischen Systemkontrolle und Machine
Learning – erfährt derzeit bemerkenswerte Fortschritte, da beide Methoden bei aktuellen
Herausforderungen wie den Digital Twins zusammenwirken.
Neben der Zusammenarbeit mit Professor Krstic haben wir unser Netzwerk auch auf
andere Gruppen ausgeweitet, darunter die von Professor Jorge Cortés und Professorin
Sonia Martínez (UCSD), Professorin Yuhua Zhu (UCLA), Houman Owhadi (Caltech) und
Wei Kang (Naval Postgraduate School, Monterey).
Darüber hinaus hat uns dieses Projekt ermöglicht, unser Netzwerk an Partnern in den
Vereinigten Staaten weiter auszubauen und zusätzliche Finanzierungsquellen zu
gewinnen, sowohl vom European Office der AFOSR als auch von der Humboldt-Stiftung.
Dies machte unter anderem den Sabbatical-Aufenthalt von Professorin Weiwei Hu
(University of Atlanta) an der FAU möglich.
Die im Rahmen dieses Projekts erzielten Ergebnisse wurden in mehreren Publikationen
veröffentlicht und trugen dazu bei, dass E. Zuazua eingeladen wurde, einen Vortrag auf
dem International Congress of Mathematicians (ICM 2026) in Philadelphia zu halten. Dort
werden die im Projekt erzielten Fortschritte vorgestellt und insbesondere die neuen
Perspektiven hervorgehoben, die sich für ein besseres Verständnis der generativen
Disusionsprozesse eröffnen.