© TUHH, Martin Kunze

Events

Train Your Engineering Network

Ziel:

  • Die Vortragsreihe “Train your engineering network” zu vielfältigen Themen des Machine Learnings wendet sich in erster Linie an die wissenschaftlichen Mitarbeiterinnen und Mitarbeiter der TUHH und zielt darauf ab, den Informationsaustausch zwischen diesen Personen sowie deren Vernetzung in lockerer Atmosphäre zu fördern. Dadurch sollen die Machine-Learning-Aktivitäten innerhalb der TUHH sichtbarer gemacht, Kooperationen gefördert und auch interessierten Studierenden ein Einblick ermöglicht werden.

Ansprechpartner:

Ort und Zeit:

  • Die Vorträge finden aktuell im Sommersemester Montags vorerst online ab 17:30 und je nach Ankündigung in deutscher oder englischer Sprache statt.

Inhalte und Vortragende:

#DatumVortragende/rThema
120.04.20Leo DostalTowards Reinforcement Learning-based Control of an Energy Harvesting Pendulum (Video)
227.04.20Leo DostalAdvances in the development of car simulation models for vibration load prediction using Machine Learning (Video)
304.05.20Helge GrossertA Hybrid Approach for Modeling of Multibody Systems with Nonlinear Force Elements
411.05.20Daniel SchoepflinBilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifikation in der Intralogistik (Video)
518.05.20
(Prof Date)
Tobias Knopp
Görschwin Fey
Robert Meissner
Deep Learning for the Classification of Diseases in Chest X-Ray
Artificial Neural Networks and Faults
An automatic, data-driven definition of atomic-scale structural motifs
625.05.20Kai Sellschopp, Tim WürgerExploration of structure - property relationships with unsupervised ML
-01.06.20-Pfingsten Holiday
708.06.20Leon Kellner, Merten StenderExplainable AI and its application to ice mechanics
815.06.20Fin Hendrik BahnsenEmulation von neuronalen Netzen unter Hardwarefehlern
922.06.20
(Prof Date)
Alexander Schlaefer
Christian Cyron
Carlos Jahn
Machine Learning for Spatio-Temporal Signal Processing
Maschinelles Lernen in der Materialmodellierung
ML in der maritimen Logistik - Anwendungen aus Schifffahrt und Hafen
1029.06.20Morten Schierholztbd
1106.07.20Sebastian LindnerPredictive medium access techniques for wireless networks
1213.07.20Maximilian StarkEnd-to-end learning in Wireless Communications
1320.07.20Rüdiger Schmitztbd
1427.07.20Niklas JahnML-supported Problem Descriptions in Digital Assistance Systems

Abstracts:

  1. Leo Dostal: Towards Reinforcement Learning-based Control of an Energy Harvesting Pendulum.
    Harvesting energy from the environment, e. g. ocean waves, is a key capability for the long-term operation of remote electronic systems where standard energy supply is not available. Rotating pendulums can be used as energy converters when excited close to their eigenfrequency. However, to ensure robust operation of the harvester, the energy of the dynamic system has to be controlled. In this study, we deploy a lightweight reinforcement learning algorithm to drive the energy of an Acrobot pendulum towards a desired value. We analyze the algorithm in an extensive series of simulations. Moreover, we explore the real world application of our energy-based reinforcement learning algorithm using a computationally constrained hardware setup based on low-cost components, such as the Raspberry Pi platform.

  2. Leo Dostal: Advances in the development of car simulation models for vibration load prediction using Machine Learning.
    Nowadays electric cars are a focus area in automotive research. In this context we consider data based approache as tools to improve and facilitate the car design process. Hereby, we address the challenge of vibration load prediction for electric cars using neural network based machine learning (ML), a data-based frequency response function approach, and a hybrid combined model. We extensively study the challenging case of vibration load prediction of car components, such as the traction battery of an electric car. We show using experimental data from a 1:5 scale model car as well as data from a Fiat 500e car that the proposed ML approach is able to outperform the classical model estimation by means of ARX and ARMAX models. Moreover, we evaluate the performance of a hybrid-ML concept for combination of ML and ARMAX. Our promising results motivate further research in the field of vibration load prediction using machine learning based approaches in order to facilitate design processes.

  3. Helge Grossert: A Hybrid Approach for Modeling of Multibody Systems with Nonlinear Force Elements.
    tbd

  4. Daniel Schoepflin: Bilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifikation in der Intralogistik.
    Der massive Bedarf an Daten zum Training von neuronalen Netzwerken stellt den industriellen Transfer erforschter Ansätze vor hohe Herausforderungen. Frei verfügbare Datensätze sind oftmals nicht in der Lage, die spezifischen und individuellen Anforderungen von Unternehmen abzudecken. Die synthetische Erzeugung von Trainingsdaten zeigt sich hierbei als erfolgsversprechende Alternative. In diesem Vortrag wird die Generierung von Trainingsbildern für eine KI-Objektidentifikation im intralogistischen Umfeld beleuchtet und aufgezeigt, welche Hürden für eine erfolgreiche Implementierung genommen werden müssen.

  5. Tobias Knopp, Görschwin Fey, Robert Meissner: tbd.
    tbd

  6. Kai Sellschopp, Tim Würger: Exploration of structure - property relationships with unsupervised ML.
    Many areas of applications – ranging from corrosion engineering to catalysis on inorganic surfaces and from drug design to polymer composites in organic materials – are influenced by the atomic structure of the materials involved. Luckily, due to modern experimental and simulation methods, it is often possible to obtain a detailed atomistic understanding of the achieved material properties. However, as the sheer number of potentially useful agents and their huge space of possible configurations renders comprehensive analyses resource- and time-consuming, other measures to predict the performance of yet untested molecules are required. One potential approach is the investigation of quantitative structure-property relationships (QSPR) using the Smooth Overlap of Atomic Positions (SOAP) kernel - a descriptor for atomic environments, that provides a translationally and rotationally invariant representation and therefore allows to calculate molecular similarities. Plotting these similarities on a map and combining them with experimental and theoretical results can then be used to intuitively explore structure-property relationships and predict yet unknown material properties.
    In our talk, we first explain the basics of the SOAP kernel and how it can be used to distinguish atomic structures and speed up the process of finding the most favorable configurations. Then we show how SOAP is used in real life applications, such as in the control of magnesium-electrolyte interface properties, to gain deeper insights into fundamental mechanisms on an atomistic level.

  7. Leon Kellner, Merten Stender: Explainable AI and its application to ice mechanics.
    Criticism of data based models evolves around the problem of causation/correlation and the lack of knowledge generation when using those models. Naturally, and particularly for large black box models, this criticism is strongly connected to discussions under the umbrella of explainable or interpretable AI (XAI). After all, understanding why a model makes a prediction is key for, among others, trust, accountability, debugging and generalizability. A lack of understanding impedes improvement of models and input data as well as insight into the process being modeled.
    To begin with, we give a general motivation and overview on interpretability of data based models. This includes why interpretability is important, possible perspectives on interpretability, and lastly interpretability-related methods and tools.
    Secondly, we show-case machine learning and the SHAP (SHapley Additive exPlanation) interpretability toolbox to understand and predict the behavior of ice under compressive loads. Specifically, we are not interested in the best model but in which features drive model predictions, e.g. in a feature importance ranking. The identification of these features will be used as an addition to domain knowledge to create better material models for ice using a large experimental data base.

  8. Fin Hendrik Bahnsen: Emulation von neuronalen Netzen unter Hardwarefehlern.
    Neueste Errungenschaften in verschiedenen Bereichen werden durch den Einsatz künstlicher neuronaler Netze (NN) erzielt, z.B. im Bereich der Spracherkennung oder der Bildverarbeitung. Ein NN löst Probleme durch statistisches Lernen mit ressourcenlastigen Berechnungen. Um NN für mobile Geräte, eingebettete oder IoT-Systeme zu implementieren, wird Hardwarebeschleunigung immer wichtiger, um Energie-, Kosten- oder Rechenzeitanforderungen zu erfüllen. In einem Hardwarebeschleuniger werden die arithmetischen Operationen des NN sequentiell auf wenigen Recheneinheiten berechnet, so dass ein Fehler in der Verarbeitungshardware einen erheblichen Einfluss auf die Ausgabe des NNs haben kann. Die Zuverlässigkeit eines NNs und damit auch der zugehörigen Anwendung hängt dann nicht mehr ausschließlich von statistischen Fehlern im NN-Modell ab - die Zuverlässigkeit wird vielmehr durch das Zusammenspiel von NN-Modell und Hardware bestimmt. In dem Vortrag wird eine Technik zur Emulation von NN-Inferenz auf Hardware-Ressourcenbeschreibungen erläutert. Anschließend werden die Injektion von Hardwarefehlern und deren Auswirkung an verschieden Beispielen erörtert.

Weitere Veranstaltungen (in Planung)

MLE@TUHH ist eine Initiative zur Bündelung der Kompetenzen im Bereich Machine Learning an der TUHH, die kontinuierlich interne wie externe Veranstaltungen zum Thema durchführt:

  • Interne Arbeitstreffen der zentralen Koordinationsgruppe und Team Leads. Besprechung von Aktivitäten, Werbemaßnahmen, Organisation und Strategie der Initiative. Ansprechpartner: Christian Schuster

  • Kick-Off Event zum Beginn des Winstersemester 2020 zur Information und Vernetzung innerhalb der TUHH. Breite Vorstellung von Aktivitäten und Zielen der Initiative unter Einbezug von Studierenden, Lehrenden und Forschenden. Ansprechpartner: Volker Turau, Christian Schuster

  • Öffentliche Ringvorlesung für die interessierte Öffentlichkeit im Laufe des Wintersemesters 2020/21 mit Persönlichkeiten aus Wissenschaft und Industrie. Organisator: Marc-André Pick

  • MLE-Days @ TUHH: Zweitägiges Event zur Darstellung der Kompetenzen, Forschungsfelder und Zukunftskonzepte an der TUHH zu Anfang nächsten Jahres. Angebot insbesondere für Interessierte aus Wirtschaft, Industrie und öffentlichem Dienst. Ansprechpartner: Volker Turau