Helmholtz AI Consultant Team

Mandat

Das Mandat des Helmholtz AI Consultant Teams am HZDR besteht in der Beratung von Wissenschaftlern im Fachbereich Materie der Helmholtz-Gemeinschaft zur methodischen Anwendung automatisierter Datenverarbeitung und Wissensextraktion. Wir wollen moderne Vorgehensweisen mit maschinellen Lernen und Data Science Methoden verbreiten. Wir arbeiten als Teil der Teams, mit denen wir kollaborieren.
Damit hoffen wir, das Verständnis der Daten unserer akademischer Kooperationspartner auf dem internationalen wissenschaftlichen Parkett zu beschleunigen sowie Ihnen einen Wettbewerbsvorteil zu geben. Innerhalb dieses Mandats werden wir Methoden und Werkzeuge vorran bringen, um die investierte Zeit bis zur Lösung oder wissenschaftlichen Erkenntnis auf unserer wie auch auf Seiten unserer Partner zu reduzieren.

Sie wollen KI nutzen und sind Teil der Helmholtz Gemeinschaft?

Wir bieten persönliche kostenfreie Beratungen sowie die Möglichkeit von gemeinsamen Projekten, s.g. Vouchern, für jedes Mitglied der Helmholtz Gemeinschaft im Fachbereich Materie an. Das Vouchermodell soll eine faire und gleichverteilte Bearbeitung von Projekten am HZDR sowie an anderen Zentren der Helmholtz-Gesellschaft erlauben. Ihre Idee kann zu einem Voucher werden, wenn:

  • [Ziel] Ein machbares Ziel beschrieben ist, welches mit anerkannten Methoden des Maschinellen Lernens und der küntlichen Intelligenz erreichbar ist.
  • [Zeit] Ein Projekt beschreiben ist, dass nicht kürzer als 2 Wochen Arbeitszeit und nicht länger als 6 Monate Arbeitszeit ist.
  • [Daten] Sie zu Daten und deren Inhalte verlinken können, die zum Training eines Algorithmus des Maschinellen Lernens geeignet sind.

Diese Voucher werden in Zusammenarbeit mit uns erstellt und einem Begutachtungsprozess zugeführt.

Sie haben Fragen? Schreiben Sie uns: consultant-helmholtz.ai@hzdr.de

Sie sind Studentin oder Student?

Suchen Sie einen Studentenjob, ein Praktikum oder ein Thema für Ihre Masterarbeit? Sprechen Sie uns an! Wir bieten

  • eine solide, inspirierende und relevante Aufgabe,,
  • engagierte Betreuung,
  • Zugang zu leistungsfähigen Hardware-Ressourcen,
  • Arbeit mit Open-Source-Software-Tools,
  • flexible Arbeitszeiten,
  • Möglichkeit zur Veröffentlichung Ihrer Arbeit,
  • optionale finanzielle Unterstützung

Da sich die Liste der möglichen Themen ändert, können wir nur Hinweise auf mögliche Themen geben. Bitte setzen Sie sich mit uns in Verbindung, um zu besprechen, welches Thema Ihren Interessen und Ihrem Wunsch, Ihre Fähigkeiten zu erweitern, entspricht:

  • Uncertainty Quantification in Computer Vision Models, Large Language Models or Surrogate Models
  • Simulation-based Inference as a AI guided tool to infer simulation parameters from data (images, tables)
  • Multi-Modal Foundational Models in Earth Sciences, Physics and other fields (images, text, tables, ...)
  • Large Language Models for Knowledge Extraction in Scientific Texts (text)
  • Methods for Anomaly Detection in Particle Accelerator Monitoring Data (multivariate imte series)
  • Pattern Extraction and Segmentation in Images and Videos of fluid dynamics and life science experiments (images, videos, volumes) 

Helmholtz AI ist unser Netzwerk

Das Ziel von Helmholtz AI: ,,Wir verbreiten die Nutzung von KI zur Lösung wissenschaftlicher Pionierfragen! Zudem wollen wir ihre Leistungsfähigkeit zur Lösung der großen Herausforderungen in Forschung und Gesellschaft nutzen."

Über die Grenzen von einzelnen Instituten und Helmholtz-Zentren hinweg werden diese Ziele durch regelmäßige Förderungen und Collaboration-as-a-Service-Angeboten und vielen anderem mehr umgesetzt. Am HZDR wurde eine Young Investigator Gruppe unter Leitung von Dr. Jeffrey Kelling und ein Helmholtz AI Consultant Team unter Dr. Peter Steinbach installiert. Beide Gruppen bilden die Helmholtz AI Local Unit zur Unterstützung der Wissenschaflter des gesamten Fachbereichs Materie in der Helmholtz-Gemeinschaft. 

Unser Team

name building/room +49 351 260 .... email
Maleeha Hassan 270/212 m.hassan@hzdr.de
Helene Hoffmann 270/212 3849 helene.hoffmann@hzdr.de
Gunjan Joshi 270/221 g.joshi@hzdr.de
Israt Jahan Tulin 270/212 i.rulin@hzdr.de
Ulrik Günther 270/212 ulrik.guenther@hzdr.de
Till Korten 270/212 t.korten@hzdr.de
Steve Schmerler 270/212 3856 s.schmerler@hzdr.de
Sebastian Starke 270/212 3693 s.starke@hzdr.de
Peter Steinbach 270/221 3844 p.steinbach@hzdr.de

Aktuelle Projekte

Ion-beam analysis spectrum evaluation

Description: Ion beam analysis is a method to analyse the surface near elemental and isotopic composition of practically any target material with a tomographic information. The evaluation of ion-beam analysis spectra so far requires extensive manual input, strongly limiting the methods throughput. Simple chi2 based optimisation methods such as simplex, implemented in physics models such as SimNRA, hardly allow finding global minima of the spectral evaluation due to the many involved parameters and non-linearities. The physics models allow for generating huge amounts of synthetic data with high quality via forward calculations, though. This opens ups the possibility for deep learning algorithms to learn evaluating even complex spectra and assist the optimisation methods in finding close-to-final initial values or even replacing the given tool for finding final results.
Expected Results (Goals):
  • compose a reader to ingest the data into a ML framework of choice
  • compose different approaches to regress the layer thickness of an illuminated material
  • compare ML predictions
  • select best performing ML model
Owner: Sören Möller
Client: FZ Jülich
Project Page: gitlab.hzdr.de/haicu/vouchers/fz_juelich/fzj_moeller_ion_beam_analysis

NTK Based Parameter Annealing

Description:

Physics-informed neural networks (PINNs) are learning-based algorithms for solving partial differential equations (PDEs). Their training involves the minimization of a physically-informed loss function using stochastic gradient descent. The loss function integrates prior knowledge of the reformulated PDEs which is iteratively minimized. However, despite their empirical success, little is known about their behavior during training. Moreover, due to unknown reasons sometimes they fail to converge. This project aims to investigate the behavior of PINNs using Neural Tangent Kernels (NTK). NTK captures the behavior of fully-connected neural networks in the infinite width limit during training via gradient descent. The limiting NTK can be used to provide insights into the training dynamics of PINNs. The eigenvalues of the NTK can help anneal hyperparameters to recalibrate the convergence rate of PINNs as a result. In this project, the aim is to leverage the loss functions of PINNs to solve different PDEs by the integration of NTK.
Expected Results (Goals):
Owner: Nico Hoffmann
Client: FWKT
Project Page: https://gitlab.hzdr.de/haicu/vouchers/hzdr/hoffma83-ntk-paramopt

Instance Segmentation in Videos of Bright-Field Microscopes

Description:

Here we explore the capabilities of algorithms designed for video instance segmentation (VIS) or multi-object tracking (MOT) for segmenting overlapping bubbles in video data.

To accurately detect bubbles in experimental studies, AI-assisted segmentation of overlapping bubbles in acquired images is becoming more and more standard. Although there are several promising approaches for this task, they have problems at high levels of overlap and are often unable to reconstruct the hidden part of the occluded bubble. Moreover, such segmentation is not able to detect fully occluded bubbles in an image. The use of video sequences can help to solve these problems, since partially or completely occluded bubbles are often more visible in an image just before or after the initial image.
Expected Results (Goals):
  • conduct experiments with open-source instance segmentation approches focussing on videos
  • instance segmentation is enough
Owner: Hendrik Hessenkemper
Client: HZDR, FWD
Project Page: https://gitlab.hzdr.de/haicu/vouchers/hzdr/hzdr_hessen93_vis_mot_bubbles

Sie haben Fragen? Schreiben Sie uns: consultant-helmholtz.ai@hzdr.de