Projekte

ClaimsBERT entwickelt ein Foundation Model für Routinedaten der gesetzlichen Kranken- und Pflegeversicherung. Es soll Muster in Diagnosen, Behandlungen und Arzneimitteldaten erkennen, um Gesundheitsrisiken früh vorherzusagen und die Versorgung gezielter zu unterstützen.

Das Projekt digiMass verknüpft die digitale Prozesskette von der Massivumformung bis zur Bewertung der Betriebsfestigkeit und nutzt dafür die Verformungsgeschichte des Materials. Dabei baut das Projekt auf bewährten Simulations- und Analysewerkzeugen auf. So lässt sich die Auslegung von Bauteilen energieeffizienter gestalten. Der Ansatz bringt Materialanforderungen, Fertigung und Bauteilfunktion in einer gemeinsamen Optimierung zusammen. Dadurch kann erstmals berechnet werden, wie belastbar ein Bauteil an jeder einzelnen Stelle im späteren Einsatz ist. Das macht kleinere Sicherheitszuschläge möglich und hilft, das Leichtbaupotenzial von Aluminium besser für einen ressourcenschonenden Einsatz zu nutzen.

ACCESS-AD ist eine gemeinsame Initiative im Sinne einer öffentlich-privaten Partnerschaft. Das Projekt bringt staatliche Einrichtungen und Organisationen des privaten Sektors zusammen. Gemeinsam arbeiten sie daran, neue Diagnose- und Monitoringansätze in der Praxis nutzbar zu machen. Dazu zählen blutbasierte und bildgebende Biomarker. Hinzu kommen digitale und KI-gestützte Instrumente. Ziel ist eine koordinierte, gerechte und skalierbare Versorgung in der klinischen Praxis in ganz Europa.

Im Projekt KI-Lectrolyte entstehen neue Ansätze zur Entwicklung leistungsfähiger und sicherer Elektrolyte für moderne Batterien. Durch die Verknüpfung experimenteller Daten mit Simulationen und KI-Methoden lassen sich vielversprechende Elektrolytformulierungen deutlich schneller identifizieren. Eine zentrale Datenbank bündelt Messdaten, Simulationsergebnisse und KI-basierte Vorhersagen zu Materialeigenschaften ermöglicht gezielte Analysen für unterschiedliche Batteriechemien und unterstützt so die datengetriebene Entwicklung neuer Elektrolyte. So entsteht ein digitales Werkzeug, das chemisches Wissen direkt in technologische Innovationen überführt. Fraunhofer SCAI bringt seine Expertise in KI-gestützter Materialforschung, Datenintegration und Modellierung in das Projekt ein.

In der Fahrzeugentwicklung stellt die präzise Vorhersage des Crashverhaltens eine große Herausforderung dar, da bei der Umformung von Leichtbau-Blechbauteilen lokale Materialschädigungen in Bereichen hoher innerer Spannungen entstehen, die bisher nur unzureichend berücksichtigt werden. Im Forschungsprojekt MapUmCra entstehen neue Verfahren, um solche Schädigungen aus der Umformsimulation realitätsgetreu und effizient in Crashsimulationen zu übertragen. Dadurch entsteht eine durchgängige digitale Prozesskette von der Blechumformung bis zum Crashversuch, die genauere Prognosen des Strukturverhaltens ermöglicht, die Materialmodellierung vereinfacht und Entwicklungszeiten deutlich verkürzt.

Das Doktorandennetzwerk Artificial Intelligence in Parkinson’s Disease (AIPD) erforscht neue KI-gestützte Methoden zur frühen Diagnose und Behandlung der Parkinson- Erkrankung. Ziel ist es, unter anderem mit Hilfe von Sprachbiomarkern, digitale Ansätze zu entwickeln, die eine präzisere Erkennung ermöglichen und so individuellere Therapien unterstützen. Dabei stehen auch Fragen der Vertrauenswürdigkeit, Ethik und Regulierung von KI-Lösungen im Fokus.

Die Integration recycelter Materialien stellt die verarbeitende Industrie vor Herausforderungen, da die Qualität der Produkte vom Zusammenspiel der eingesetzten Materialien und den Fertigungsverfahren abhängt. Variationen in Spurenelementen und chemischen Eigenschaften beeinflussen additive Fertigungsprozesse wie den 3D-Druck. Das Projekt GEAR-UP zielt darauf ab, digitale Werkzeuge zu entwickeln, die den Einsatz recycelter Materialien in der Metall- und Kunststoffverarbeitung erleichtern. Durch simulationsgestützte Ansätze und KI-Methoden sollen ressourcenschonende Fertigungsverfahren etabliert werden. Der im Projekt entwickelte Digitale Produktpass stellt die Rückverfolgbarkeit der Materialien sicher.

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 Marie-Skłodowska-Curie-Doktorandennetzwerk PREDICTOR entstehen KI-gestützte Methoden zur schnellen und gezielten Entwicklung elektroaktiver Materialien für Redox-Flow-Batterien. Ziel ist es, durch die Verbindung von Simulation, automatisierter Synthese, experimentellen Hochdurchsatztests und intelligentem Datenmanagement vielversprechende Elektrolyte deutlich schneller zu identifizieren. Fraunhofer SCAI entwickelt dafür semantische Konzepte, Ontologien und KI-basierte Vorhersagemodelle, die die Vielzahl an Projektdaten verknüpfen und so gezieltes Materialdesign ermöglichen.

Technologien wie CCUS (Carbon Capture, Utilisation, and Storage), die CO₂ abscheiden und speichern, sind ein wichtiger Bestandteil von Strategien zur Dekarbonisierung. Das Projekt »Eastern Lights« fördert den Aufbau eines groß angelegten CCUS-Clusters in Nordbulgarien zur Speicherung von CO₂ aus der Zementindustrie. Geplant ist der Bau einer kurzen Pipeline, über die CO₂ sicher in salinen Aquiferen gespeichert werden soll. Ziel ist der Aufbau einer effizienten Transport- und Speicherinfrastruktur, die langfristig als Modell für die CO₂-Nutzung in der Region dient. Fraunhofer SCAI bringt hierfür die Software MYNTS zur Planung und Optimierung der CO₂-Pipelines ein.

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 BASE soll der digitale Batteriepass entwickelt werden, den jede größere Batterie in Zukunft besitzen muss. Der Pass wird kontinuierlich erhobene Daten zum »State of Health« enthalten und außerdem Informationen zur Lieferkette, zum Herstellungsprozess und zu Materialdaten. Hierbei kommt die Methode des »Mass Balancing« zum Einsatz, die den Materialeinsatz in der Batterieproduktion detailliert bilanziert und besonderes Augenmerk auf die Verwendung nachhaltiger Bestandteile legt. Die Daten aus dem Batteriepass werden fälschungssicher dezentral gespeichert, sodass alle Beteiligten darauf Zugriff haben. Dies ermöglicht, die Lebensdauer eine Batterie zu optimieren und das Recycling zu verbessern.

Im Projekt ESPINN entstehen neue Simulationsverfahren für die Halbleiterindustrie, die physikalische Gesetzmäßigkeiten mit Methoden der Künstlichen Intelligenz verbinden. Physics-Informed Neural Networks (PINNs) ermöglichen es, komplexe Prozesse wie chemische Reaktionen oder Materialdiffusion bis zu tausendfach schneller zu berechnen als bisher. Vier Softwarelösungen bilden die Grundlage dafür: sie simulieren atomare Wechselwirkungen, optimieren die Herstellung von Metallkontakten, unterstützen die Belichtung von Bauteilen und prüfen zugleich die Zuverlässigkeit und Nachvollziehbarkeit der Ergebnisse. Fraunhofer SCAI bringt umfassende Expertise in physikbasierten Simulationen, maschinellem Lernen und virtuellem Materialdesign ein.

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.

Remanufacturing ist für die Kreislaufwirtschaft von entscheidender Bedeutung, da es die Lebensdauer von Produkten verlängert, Arbeitsplätze und Einnahmequellen schafft und Abfall, Energieverbrauch und Treibhausgasemissionen reduziert. Die wichtigsten Herausforderungen, die für ein erfolgreiches Remanufacturing in einer industriellen Wertschöpfungskette – oder besser gesagt in einem Wertschöpfungskreislauf – zu bewältigen sind, beziehen sich auf Verfahren, Design und Geschäftsmodelle.

Im Projekt ALABAMA geht es darum, adaptive Lasertechniken für verbesserte additive Fertigung zu entwickeln. Ziel ist es, Materialporosität zu verringern und Mikrostrukturen anzupassen. Die Innovation beinhaltet die Entwicklung von Multiskalenmodellen zur Prozessoptimierung. Prozessparameter werden mittels Mehrstrahlsteuerung und Laserformung optimiert. Fortschrittliche Überwachung nutzt Multispektralbildgebung zur Qualitätskontrolle. Materialtests gewährleisten die Einhaltung von Anforderungen. Die Technologie wird in Luftfahrt, Schifffahrt und Automobilbau getestet. Diese Branchen stehen vor Herausforderungen bezüglich Materialqualität. Das Projekt verspricht signifikante Produktivitätssteigerungen und Kostensenkungen. Es fördert zudem die Autonomie der europäischen Industrie.

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.