Künstliche Intelligenz und Komplexität - lnterdisziplinär vernetzt zum DFG-Graduiertenkolleg

Grunddaten zu diesem Projekt

Beschreibung

Komplexe Systeme sind durch hohe Dimensionalität, nichtlineare Wechselwirkungen, stochastische Einflüsse und emergentes Verhalten gekennzeichnet. Sie treten in einer Vielzahl wissenschaftlich und gesellschaftlich relevanter Kontexte auf, darunter biologische und neuronale Netzwerke, adaptive und intelligente Materialien, epidemiologische und Klimasysteme, Energienetze sowie soziale Dynamiken. Rasante Fortschritte in der Computerhardware, die wachsende Verfügbarkeit großer und heterogener Datensätze sowie jüngste Entwicklungen in Algorithmen des maschinellen Lernens machen künstliche Intelligenz (KI) zu einem zentralen Werkzeug der modernen Wissenschaft. Einerseits ermöglichen Methoden des maschinellen Lernens heute neue Ansätze entlang des gesamten wissenschaftlichen Workflows – von Experimentaldesign und Datenerhebung über Hypothesengenerierung und Modellentdeckung bis hin zu Vorhersagen. Andererseits rückt auch das emergente Verhalten von KI selbst zunehmend in den Fokus der Forschung. Das Topical Programme „Artificial Intelligence and Complexity“ führt Forschung zum maschinellen Lernen mit der Theorie komplexer Systeme zusammen und zielt auf eine systematische Integration datengetriebener Methoden in Experiment, Simulation und Theorie ab – insbesondere in Bereichen, in denen klassische Ansätze an ihre Grenzen stoßen. Im Zentrum steht dabei die wechselseitige Verstärkung von KI und Komplexitätsforschung: Erkenntnisse aus der Theorie komplexer Systeme inspirieren neue, interpretierbare und robuste Methoden des maschinellen Lernens, während KI-basierte Ansätze die Analyse, Modellierung und Vorhersage komplexer dynamischer Phänomene wie Phasenübergänge, Kipppunkte und emergentes kollektives Verhalten ermöglichen. Durch die Kombination datengetriebener Techniken mit Domänenwissen – etwa mittels physik-informierten maschinellen Lernens und modellbasierter Systemidentifikation – fördert das Programm methodische Innovationen mit breiter Anwendbarkeit über Disziplingrenzen hinweg. Darüber hinaus untersucht das Programm den Optimierungsprozess selbst als komplexes dynamisches System und charakterisiert die komplexe Topologie von Lernlandschaften sowie die erratischen oder instabilen Lerntrajektorien, die in hochdimensionalen Settings häufig auftreten. Das interdisziplinäre Topical Programme bündelt die starke fachliche Expertise verschiedener disziplinärer Einheiten der Universität Münster und ist im Center for Data Science and Complexity (CDSC) verankert. Es bietet damit einen idealen Rahmen, um grundlegende Forschung an der Schnittstelle von künstlicher Intelligenz und komplexen Systemen voranzubringen und zugleich wirkungsvolle Anwendungen in Wissenschaft und Gesellschaft zu ermöglichen. Knowledge Base Ein zentrales strukturelles Element des Topical Programmes ist der Aufbau einer digitalen, interdisziplinären Knowledge Base. Diese Ressource soll den Einstieg in interdisziplinäre Forschung erleichtern, indem zentrale Konzepte, Methoden, Datentypen und Modellierungsansätze der beteiligten Disziplinen systematisch kuratiert werden. Durch die Bereitstellung einer gemeinsamen konzeptionellen und methodischen Grundlage – unterstützt durch interaktive Elemente wie Visualisierungen, Glossare und ausführbare Beispiele – erleichtert die Knowledge Base eine effektive Zusammenarbeit, beschleunigt das wissenschaftliche Onboarding und unterstützt eine kohärente Ausbildung über Disziplingrenzen hinweg. Sie dient damit als langfristig tragfähige Infrastruktur für Forschung und Lehre an der Schnittstelle von künstlicher Intelligenz und Komplexitätsforschung.