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.
News aus dem AI Lab
07.07.2025 AI Lab: Second AI-Lab seminar on foundational models starts the summer break
03.07.2025 AI Lab: HZDR's AI-Lab continues seminar series on methods for AI supported science
06.06.2025 AI Lab: HAICON25 Poster Prize for Philip Müller for his work on Uncertainties in Large Language Models
More newsAI Lab
Industrie-Kooperationen
Helmholtz AI Consultant Team
Forschungsbereich Materie
Forschungsbereich Energie
Forschungsbereich Gesundheit
AI-Publikationen
Artikel in referierten Zeitschriften, Eingeladene Vorträge
2025
Data management makes machine learning easier
Korten, T.; Hoffmann, H.; Steinbach, P.; Özkan, Ö.
-
Eingeladener Vortrag (Konferenzbeitrag)
HMC Conference, 12.-14.05.2025, Köln, Deutschland
DOI: 10.6084/m9.figshare.29044814
Hydrogen adsorption energy trends in Mo/WXY (X, Y = S, Se, Te) regular and Janus TMD monolayers: A first-principles and machine learning study
Tejaswini, G.; Sudheer, A. E.; Kumar, A.; Perepu, P. K.; Vallinayagam, M.; et al. (10 authors)
-
Journal of Materials Chemistry A (2025)
DOI: 10.1039/D5TA02028J
Virtual pulse reconstruction diagnostic for single-shot measurement of free electron laser radiation power
Mirian, N. S.; Korten, T.; Steinbach, P.; Vladimir, R.
-
Physical Review Accelerators and Beams 28(2025), 030703
DOI: 10.1103/PhysRevAccelBeams.28.030703
Machine-learning-based integration of temporal and spectral prompt gamma-ray information for proton range verification
Kieslich, A. M.; Schellhammer, S.; Zwanenburg, A.; Kögler, T.; Löck, S.
-
Physics and Imaging in Radiation Oncology 35(2025), 100788
DOI: 10.1016/j.phro.2025.100788
Combining sequential Gaussian co-simulation and Monte Carlo dropout-based deep learning models for geochemical anomaly detection and uncertainty assessment
Huang, D.; Renguang, Z.; Jian, W.; Tolosana Delgado, R.
-
Applied Geochemistry 184(2025), 106385
DOI: 10.1016/j.apgeochem.2025.106385