Forschungsplattform Künstliche Intelligenz

Data Scientists und Forscher*innen unterschiedlicher Fachgebiete entwerfen am HZDR Modelle der Künstlichen Intelligenz – Artificial Intelligence, AI – und trainieren sie auf der Basis themenübergreifender und immer größerer Datensätze. So gelangen sie zu umfassenden Lösungsansätzen und damit zu neuen Erkenntnissen und Anwendungen in den Forschungsbereichen MATERIE, ENERGIE und GESUNDHEIT.

Mit dem 2024 gegründeten HZDR AI Lab wollen die Expert*innen eine zentrale Anlaufstelle schaffen: für Kolleg*innen im Haus, an anderen Helmholtz-Zentren oder Forschungseinrichtungen bis hin zur Industrie. 

Foto: Zukunftsmaterialien dank beschleunigter Simulationen ©Copyright: Blaurock/HZDR

AI Lab

Unser AI Lab ist die zentrale Anlaufstelle am HZDR für relevante Themen der Künstlichen Intelligenz.
Weiterlesen
Foto: Symbolbild KI-Angebote ©Copyright: iStock

Industrie-Koopera­tionen

Mit unserer Expertise im Bereich AI wollen wir Impulse für For­schung, Innovation und Kooperation mit Partnern aus der Industrie geben.
Weiterlesen
Foto: Helmholtz AI Logo ©Copyright: Helmholtz AI

Helmholtz AI Consultant Team

Wir entwickeln und ­verbreiten AI-gestützte Data-Science-Lö­sungen, um die großen Herausforde­rungen in For­schung und Gesell­schaft anzugehen.
Weiterlesen
Foto: Gehirninspiriertes Computing ©Copyright: Blaurock Markenkommunikation/HZDR

For­schungs­bereich Materie

Teilchenbeschleuniger, Zukunfts­materialien, gehirninspiriertes Computing, Planeten­for­schung
Weiterlesen
Foto: Künstliche Intelligenz unterstützt Suche nach unzugänglichen Bodenschätzen ©Copyright: HZDR/Blaurock Markenkommunikation

For­schungs­bereich Energie

Methoden des maschinellen Lernens bringen die Rohstoffsuche voran
Weiterlesen
Foto: Krebsbestrahlung mit höchster Präzision ©Copyright: Blaurock Markenkommunikation/HZDR

For­schungs­bereich Gesundheit

AI-Algorithmen ­verbessern die Krebsdiagnostik und -therapie
Weiterlesen

AI-Publikationen

Artikel in referierten Zeitschriften, Eingeladene Vorträge

2026

Machine learning-based prediction of heavy metal leaching efficiency from zinc metallurgical waste

Mondal, P. P.; Panday, H.; Guy, B. M.; Dhiman, S.; Ahammad, S. Z.; et al. (6 authors)

When Do Machine Learning Models Learn Chemistry? From Electronic Structure to Latent Space Steering

Cangi, A.

  • Eingeladener Vortrag (Konferenzbeitrag)
    RTG 2681 On-site Meeting, 12.05.2026, FAU Erlangen-Nürnberg, Deutschland

LANTERN-XGB: An Interpretable Multi-Modal Machine Learning for Improving Clinical Decision-Making in Lung Cancer

Dalfovo, D.; Sassorossi, C.; de Paolis, E.; Campanella, A.; Nachira, D.; et al. (17 authors)

Artificial intelligence - how does it work

Steinbach, P.; Korten, T.

  • Open Access Logo Eingeladener Vortrag (Konferenzbeitrag)
    17th DRESDEN SYMPOSIUM on Feto-neonatal Health, 11.-13.03.2026, Dresden, Germany
    DOI: 10.6084/m9.figshare.31653523

Roadmap on deep learning for microscopy

Yakimovich, A.; Hecht, M.

Mehr Publikationen