Projekte

SCAI als Projektpartner?

Wir würden uns freuen, mit Ihnen zusammenzuarbeiten.
Wenn Sie Interesse haben, senden Sie eine E-Mail an:

marketing@scai.fraunhofer.de

  • REMEDi4ALL – Drug repurposing

    EU-Projekt / Projektbeginn / 01. September 2022

    REMEDi4ALL aims to make a significant leap forward in drug repurposing. This promising approach to drug development, consisting of identifying, testing, and validating new therapeutic indications for existing medications, is a developing field but faces numerous barriers and systemic inefficiencies. Still, its potential to significantly bring down times and costs of drug development - it focuses on already approved, discontinued, shelved or investigational therapeutics - makes this novel strategy attractive for rare and neglected conditions, cancer, emerging public health threats such as COVID-19 or new drug combinations. It also translates into more sustainable health systems.

    mehr Info
  • Das mit rund 1.6 Millionen Euro geförderte und vom Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI koordinierte europäische Projekt DIGIPD untersucht, inwiefern mit Hilfe digitaler Techniken (Sensorik, Spracherkennung, Erkennung der Gesichtsmimik) eine präzisere und individualisierte Diagnose und Prognose der Parkinson-Erkrankung möglich ist. Das Projekt wird im Rahmen des europäischen ERA-Netzes zur personalisierten Medizin, ERA PerMed, im »Joint Transnational Call 2020« gefördert. Die Förderung des deutschen Anteils am Projekt erfolgt durch das Bundesministerium für Bildung und Forschung (BMBF).

    mehr Info
  • CAM2030 – Computergestützte Planung von Bearbeitungsprozessen

    BMBF-Projekt / Projektbeginn / 01. Oktober 2020

    Computer Aided Manufacturing (CAM)-Systeme ermöglichen eine computergestützte Planung von Bearbeitungsprozessen. CAM-Software dient dazu, den Steuerungscode für Computerized Numerical Control (CNC)-Werkzeugmaschinen zu erstellen.Das Projekt CAM2030 zielt darauf ab, eine neue Generation von CAM-Systemen zu entwickeln, die sich durch einen geringeren Planungsaufwand, eine optimierte Prozessplanung und einen langfristigen Wissensaufbau und Wissenserhalt auszeichnen. Dazu dient im Projekt die nutzerzentrierte Anreicherung der CAM-Systeme mit neuartigen digitalen Optimierungswerkzeugen – wie evolutionäre Algorithmik, Cloud Computing und künstliche Intelligenz.

    mehr Info
  • Die im Projekt COPERIMOplus kooperierenden Fraunhofer-Institute wollen durch eine rationale, datengetriebene Modellierung individuelle Risikoeinschätzungen ermöglichen, um die Prognosen von Krankheitsverläufen zu verbessern und um personalisierte Therapien sowie deren Bewertung anhand objektiver normierter Kriterien zu optimieren. Somit trägt das Projekt dazu bei, ein Leben mit der Pandemie zu ermöglichen und zur wirtschaftlichen und gesellschaftlichen Normalität zurückzukehren. Das Projekt wird im Rahmendes Frauhofer Anti-Corona-Programms gefördert.

    mehr Info
  • Eine nachhaltige Kreislaufwirtschaft ist unerlässlich, um das Ziel der Klimaneutralität zu erreichen. Hierfür ist insbesondere die Entwicklung neuer innovativer Baustoffe entscheidend. Allerdings ist diese Entwicklung bisher ein sehr mühsamer und langwieriger Prozess. Um diesen Prozess zu unterstützen und deutlich zu beschleunigen, forschen die Experten des Fraunhofer Institut IBP und des Fraunhofer Institut SCAI am Forschungszentrum für Maschinelles Lernen an neuen datengetriebenen virtuellen Techniken zum Materialdesign.

    mehr Info
  • Ziel dieses Projekts ist die massive Beschleunigung der Computersimulation von Alterungsprozessen von Batterien. Dazu kommen Methoden des maschinellen Lernens in der Steuerung des Verfahrens zur Lösung linearer Gleichungssysteme zum Einsatz. Dies ermöglicht die Nutzung effizienter Lösungsverfahren, ohne Einbußen in puncto Robustheit hinnehmen zu müssen. Die damit verbundenen Effizienzsteigerungen beschleunigen nicht nur bisherige Simulationen erheblich, sie ermöglichen in der Praxis auch eine wesentliche Verbesserung der Modellgenauigkeit. Das Projekt wird gemeinsam mit dem Fraunhofer IEE durchgeführt (www.batterie-simulation.de) und wird gefördert durch das Fraunhofer Forschungszentrum Maschinelles Lernen im Fraunhofer Cluster of Excellence Cognitive Internet Technologies.

    mehr Info
  • Das übergeordnete Ziel von NFDI4Health ist es, die klinische und epidemiologische Forschungsgemeinschaft bestmöglich dabei zu unterstützen, ihre Daten in Übereinstimmung mit Datenschutzbestimmungen und ethischen Grundsätzen mit der Nutzergemeinschaft zu teilen und im Interesse der Verbesserung der Gesundheit der Bevölkerung neue Möglichkeiten der Datenanalyse innerhalb der Nationalen Forschungsdateninfrastruktur (NFDI) zu schaffen. NFDI4Health wird von der Deutschen Forschungsgemeinschaft (DFG)im Rahmen der Bund-Länder-Vereinbarung zu Aufbau und Förderung der NFDI vom 26. November 2018 gefördert.

    mehr Info
  • Deep Learning für Virtual Material Design

    Projektbeginn / 01. April 2020

    Empirische Analysepotenziale und ab initio-Methoden wie die Dichtefunktionstheorie sind klassische Säulen der computergestützten Materialwissenschaft. Mit den Fortschritten im Bereich des maschinellen Lernens und der rasanten Zunahme der Rechenleistung werden datenbasierte Ansätze zu einem neuen Werkzeug, mit dem die Vorhersagekraft von ab initio-Methoden mit der rechnerische Effizienz von empirischen Potenzialen kombiniert werden können. Standard-Techniken des maschinellen Lernens wie Kernel-Learning (z.B. für das Gaußsche Approximationspotenzial), tiefe neuronale Netze (z.B. neuronale Netzwerkpotenziale von Behler et al.) und verallgemeinerte lineare Modelle (z.B. für Impuls-Tensor-Potentiale) wurden verwendet, um aus Daten schnelle und genaue Kraftfelder zu entwickeln, ohne dass menschliches Wissen über die zugrunde liegende Chemie erforderlich war. In diesem Projekt entwickeln wir qualitativ hochwertige, einfach zu handhabende Implementierungen solcher maschinellen Lernpotenziale und untersuchen Verbesserungsmöglichkeiten.

    mehr Info
  • Im Projekt »ManuBrain« entsteht eine universelle, skalierbare und offene Plattform für Anwendungen der Künstlichen Intelligenz im industriellen Mittelstand. Das Land Nordrhein-Westfalen und der Europäische Fonds für Regionale Entwicklung fördern das Vorhaben über drei Jahre mit insgesamt 1,8 Millionen Euro. Fraunhofer SCAI entwickelt und evaluiert Verfahren des Maschinellen Lernens für ingenieurtechnische Anwendungen.

    mehr Info