Projekte

Crashtests zur Beurteilung der Fahrzeugsicherheit finden heute meistens virtuell statt. Die Änderungen an den simulierten Fahrzeugmodellen zu dokumentieren, ist dabei besonders zeit- und kostenintensiv. Diesen Vorgang zu vereinfachen, ist das Ziel im Projekt SAFECAR-ML. Durch die Kombination neuartiger Methoden der Künstlichen Intelligenz (KI) mit technischem Wissen aus der Fahrzeugentwicklung möchten die Projektpartner aus Forschung und Automobilindustrie die Informationsaufbereitung für die Dokumentation virtueller Crashtests vereinheitlichen. Neu ist dabei die Verknüpfung semantisch aufbereiteter freisprachlicher Texte mit multimodalen Ingenieursdaten für das Maschinelle Lernen.

Im Projekt SYNTHIA entstehen neue Techniken zur verantwortungsvollen Erzeugung und Nutzung synthetischer Patientendaten. Diese Daten, die mittels generativer Methoden der Künstlichen Intelligenz erzeugt werden, können dazu beitragen, datenschutzrechtliche Hürden zu überwinden, Vorhersagemodelle für personalisierte Medizin zu verbessern und Kontrollgruppen in klinischen Studien zu emulieren. Die validierten synthetischen Daten werden dann auf einer modernen IT-Plattform zusammen mit ihren Anwendungsmöglichkeiten zur Verfügung gestellt.

Das Hauptziel der »ETHCSTWIN«-Initiative ist der Aufbau eines Kooperationsnetzwerks zwischen dem Institut für Ethnopharmakologische Studien und Phytotherapie (IESP, Athen) und zwei renommierten akademischen Forschungsteams aus Italien (UNISG, Pollenzo) und Deutschland (Fraunhofer SCAI) sowie dem Biotech-KMU Pangea Botanica und der Universität Prishtina. Ziel ist es, die Erkenntnisse der Ethnopharmakologie in neuartige computergestützte und digitale Systeme einzubringen, wobei der Schwerpunkt auf der Entwicklung eines reichhaltigen Portfolios komplexer Methoden und Werkzeuge liegt, die die Analyse umfangreicher Big-Data-Sets und die Restaurierung des materiellen und immateriellen Erbes umfassen.

Im Projekt SmartEM entsteht ein standardisiertes System, das es ermöglicht, verschiedene »Computational Engineering Models« aus unterschiedlichen Quellen zu kombinieren und zu einem Gesamtsystem zusammenzuführen. Diese flexible Referenzarchitektur, inspiriert von offenen Datenraumkonzepten wie Gaia-X, fördert die Zusammenarbeit verschiedener Akteure und ermöglicht die Wiederverwendung von Engineering-Modellen. So werden Entwicklungsprozesse effizienter gestaltet und manuelle, zeitaufwändige Verfahren zur Erstellung von Digitalen Zwillingen ersetzt. Die KI-gestützte Erzeugung von »Surrogate Models« – vereinfachten Versionen der komplexen Modelle aus heterogenen Datenquellen – erleichtert die Integration von Modellen und verbessert so die Interoperabilität. So beschleunigt SmartEM die digitale Transformation und Innovation im Ingenieurwesen.

DeployAI widmet sich dem Aufbau und der Bereitstellung einer europäischen AI-on-Demand-Plattform (AIoDP). Im Projekt arbeiten Branchenvertretern und Forschungseinrichtungen zusammen. Das Ziel dabei ist, vertrauenswürdige, ethische und transparente europäische KI-Lösungen für den Einsatz in der Industrie – hauptsächlich für kleine und mittlere Unternehmen – und für den öffentlichen Sektor bereitzustellen. SCAI bringt vor allem seine Erfahrung mit dem Betrieb und der Ausführung effizienter Berechnungen in großem Maßstab auf Hochleistungs-Rechnern und deren Integration in hochzuverlässige stabile Plattformen ein. Im Arbeitspaket "Interoperabilität" bringt SCAI sein Fachwissen über die Integration und Orchestrierung digitaler E-Infrastrukturdienste ein. Dadurch soll sichergestellt werden, dass die KI-on-Demand-Plattform nahtlos mit dem bestehenden europäischen Ökosystem zusammenarbeitet, insbesondere mit Daten- und Recheninfrastrukturen.

Fraunhofer SCAI leitet das Konsortium des von der Europäischen Kommission geförderten Projekts COMMUTE. Vier Jahre lang arbeiten führende Fachleute aus verschiedenen Disziplinen daran, naheliegende Zusammenhänge zwischen COVID-19 und neurodegenerativen Erkrankungen zu erforschen. Ein zu entwickelndes KI-gestütztes Empfehlungssystem soll Erkrankten eine individuelle Risikoabschätzung ermöglichen.

Dieses Projekt zielt darauf ab, einen multiskaligen patientenspezifischen virtuellen Zwilling für Patienten zu schaffen, der für eine CAR-T-Zell-Therapie in Frage kommt, was auf zelluläre Immuntherapien im Allgemeinen ausgeweitet werden kann.

PREDICTOM baut in den nächsten vier Jahren eine Plattform zur Bewertung von Demenzrisiken auf. Die Plattform soll eine Früherkennung ermöglichen, die ein rechtzeitiges Eingreifen und eine präventive Behandlung erlaubt.

Das Projekt »COMMITMENT – Modellierung von Komorbiditäts-Prozessen durch integratives, maschinelles Transfer-Lernen für psychiatrische Erkrankungen« zielt darauf ab, einen interdisziplinären Forschungsrahmen für die Identifizierung systemmolekularer Merkmale psychotischer und komorbider somatischer Erkrankungen zu schaffen. Die Identifizierung gemeinsamer und unterschiedlicher biologischer Profile und der ihnen zugrundeliegenden pathophysiologischen Prozesse soll es ermöglichen, die Heterogenität der Patienten zu entschlüsseln und die Grundlage für objektive Instrumentarien für ein personalisiertes klinisches Management psychotischer Störungen zu schaffen.

Seit einigen Jahren steigt die Zahl der Daten, die im Gesundheitswesen anfallen, explosionsartig. Mit diesen Daten lässt sich die Forschung und auch die Patientenversorgung verbessern. Es bleibt jedoch eine Herausforderung, die Daten zu erhalten, sie zu analysieren und zu integrieren. Das Ziel im Projekt IDERHA ist es, eine offene Plattform einzurichten, die die Integration und Analyse verschiedener Arten von Gesundheitsdaten erleichtert. Die Plattform wird mehrere öffentliche und private Datenquellen miteinander verknüpfen und interoperable Werkzeuge und Dienste einführen, damit Ärzte, Patienten und Wissenschaftler die Daten nutzen können. Das IDERHA-Team konzentriert sich bei der Entwicklung der Plattform auf Lungenkrebs als Anwendungsfall.