Flexible, resiliente und effiziente Machine-Learning-Modelle.
Forschungsprojekte werden zunehmend mit einem Zuschuss gefördert. So auch zum Thema "Flexible, resiliente und effiziente Machine-Learning- Modelle". Ziel der Förderung ist es, die Entwicklung von innovativen Machine-Learning-Ansätzen zu steigern. Die Flexibilität, Resilienz und Effizient von lernenden Systemen oder Simulationsmodellen soll über den derzeitigen Stand der Technik hinaus - weiterentwickelt werden. Die Entwicklungen sollen dazu führen, dass die Nachhaltigkeit und die Praxistauglichkeit von Machine-Learning-Modellen weiter verbessert wird.
Das Bundesministerium für Bildung und Forschung (BMBF) fördert interdisziplinäre KI-Projekte zur Entwicklung neuer Modellarchitekturen und Lernalgorithmen zur Verbesserung der Flexibilität, Resilienz und Effizienz lernender Systeme. Ebenso die Weiterentwicklung von Simulationsmodellen. Die zu entwickelnden Methoden sollen weit über den derzeitigen Stand der Technik hinausgehen. Die Förderrichtlinie nennt folgende Forschungsthemen:
a. Entwicklung neuer Ansätze für resiliente Lernalgorithmen, welche die Robustheit und Generalisierungsfähigkeit erhöhen (zB. veränderliche Umgebungen, unvorhergesehene Situationen und in "Worst-Case" Szenarien). Zudem sollen zunächst die Begrenzungen aktueller Modelle eingehend charakterisiert werden. Im Anschluss sollten dann neue Ansätze für Lernalgorithmen entstehen. Als Beispiele nennt die Richtlinie, Ansätze zur verbesserten Regularisierung basierend auf Domänenwissen, Analyse von Inputdaten sowie robuste Interaktionen von lernenden Systemen mit der Umwelt (inklusiver Reinforcement Learning). Dies kann auf eine allgemein höhere Robustheit eines Machine-Learning-Modells oder das Weiterlernen für neue Einsatzsituationen abzielen.
b. Entwicklung neuer Methoden im Bereich der informierten KI. Die Stärke von auf großen Datensätzen trainierten Machine-Learning-Modellen ist es, Assoziationen in Daten zu finden. Mithilfe neuer Methoden der informierten KI soll Domänenwissen (zB. Invarianzen, logische Relationen zwischen Objekten und Gleichungen) in Machine-Learning-Modelle und Datensätze integriert werden. Dazu nennt die Richtlinie folgende Beispiele: die Integration physikalischer Gesetzmäßigkeiten in künstliche neuronale Netze, das Lernen durch menschliches Feedback, die Integration von Fakten sowie die Fähigkeit zur Schlussfolgerung, das Lernen auf kleinen Datenmengen und die Integration von Kausalität in die Modellarchitektur.
c. Weiterentwicklung komplexer, bereits etablierter Simulationsmodelle durch den gezielten Einsatz von Machine-Learning-Verfahren (insbesondere in den Naturwissenschaften). Die schließt Machine-Learning-Ansätze in Form einer modularen Neugestaltung und einer Initialisierung virtueller Experimente etwa für Controller-Design sowie End-to-End-Frameworks ein. Das neue Modell soll einen klaren und langfristigen Etablierungspfad verfolgen. Das Ziel sollte eine KI-basierte, signifikante Verbesserung der gesamten Input- bis Outputkette, zum Beispiel hinsichtlich der Effizienz, Skalierbarkeit und Vorhersagequalität haben.
d. Die Entwicklung neuer Ansätze für robuste und effiziente Foundation Models. Machine-Learning-Modelle mit vielen Parametern, trainiert auf großen und heterogenen Datensätzen, die in der Lage sind, eine Vielzahl an Aufgaben zu lösen, stellen einen neuen Ansatz in vielen Forschungsbereichen und Anwendungen dar. Es sollen neue Ansätze erforscht werden, wie sich Limitierungen derzeitiger Modelle überwinden lassen (wie beispielsweise hoher Rechenbedarf, fehlende Transparenz, Halluzinieren, Zeitverständnis, Übernahme von Bias aus den Trainingsdaten). Dazu sind geeignete Datensätze zu generieren (zB. hinsichtlich Vielfalt und Qualität) und Architekturen sowie Lernverfahren weiterzuentwickeln. Ein besonderer Schwerpunkt liegt auf der Entwicklung kleiner KI-Modelle, die unter Anwendung neuer Ansätze für Foundation Models auch mit limitierten Ressourcen vergleichbare Resultate liefern.
Andere Themen im Bereich der KI sind nur in begründeten Ausnahmen möglich. Der Mehrwert der neuen Methoden ist innerhalb der Projektzeit an konkreten Anwendungsfällen zu demonstrieren. Die entwickelten Methoden sollen im Produktiveinsatz messbar und bewertbar sein (Monitoring). Damit kann die Entwicklung geeigneter neuartiger Benchmarks sowie die Verifikation von Methoden, Teil von Forschungsprojekten sein. Die entwickelten Methoden sollen in Bezug auf Zielkonflikte sowie Synergien mit anderen Zielen (zB. Genauigkeit, Erklärbarkeit, Fairness) untersucht werden. Die im Rahmen des Projekts entwickelten Benchmark-Datensätze und Umgebungen sollen im Anschluss öffentlich verfügbar gemacht werden.
Bei allen Ansätzen ist die Effizienz während des Trainings sowie während der Inferenz im Vergleich zu bestehenden Ansätzen darzustellen und zu bewerten. Dies betrifft insbesondere die Energieeffizienz. Erwartet wird, dass zur Durchführung der Projekte auf bereits vorhandene Hardware zurückgegriffen werden kann. Sonst ist es erforderlich, bei der Anschaffung neuer Rechen- und Speicherressourcen zu erklären, warum diese nicht auf anderem Weg zur Verfügung gestellt werden können (Rechenzentren, Nationale Hochleistungsrechenzentren, Rechenzentren des Gauss Center for Supercomuting, KI-Servicezentren, High Performance Computing oder weitere Angebote).
Antragsberechtigt sind Hochschulen, außeruniversitäre Forschungseinrichtungen und andere Institutionen die Forschungsbeiträge liefern, sowie Unternehmen der gewerblichen Wirtschaft. Voraussetzung ist, dass zum Zeitpunkt einer möglichen Auszahlung eine Betriebsstätte oder Niederlassung (Unternehmen) in Deutschland vorhanden ist. Die Partner eines Verbundprojekt haben ihre Zusammenarbeit in einer schriftlichen Kooperationsvereinbarung zu regeln. Zudem muss die Bereitschaft bestehen, interdisziplinär zusammenzuarbeiten, mit anderen geförderten Verbünden und Initiativen. Gleichermaßen sollen die geförderten Organisationen einen übergreifenden, intensiven Erfahrungsaustausch aktiv mitgestalten, an öffentlichkeitswirksamen Maßnahmen wie Tagungen, Messen und Innovationsplattformen des BMBF mitwirken.
Art, Höhe, Umfang einer möglichen Zuwendung. Die Beihilfen werden im Rahmen einer Projektförderung als nicht rückzahlbarer Zuschuss gewährt. Das BMBF wird ausgewählte Projekte mit bis zu 2 000 000 Euro (inklusive Projektpauschale) über einen möglichen Zeitraum von drei Jahren fördern. Darin sind die Mittel für Mitarbeitende, weitere wissenschaftliche Hilfskräfte, Reisen, Anschaffungen und sonstige Ausgaben enthalten. Darüber hinaus sind Kooperationen mit thematisch verwandten Forschungs- und Entwicklungsvorhaben im europäischen Umfeld möglich, wobei der internationale Partner grundsätzlich über eine eigene nationale Förderung für seinen Projektanteil verfügen muss.
Bemessungsgrundlage für Zuwendungen an Unternehmen der gewerblichen Wirtschaft und für Vorhaben von Forschungseinrichtungen, die in den Bereich der wirtschaftlichen Tätigkeiten fallen¹, sind die zuwendungsfähigen projektbezogenen Kosten. diese können unter beihilferechtlichen Vorgaben anteilig finanziert werden. Eine angemessene Eigenbeteiligung an den zuwendungsfähigen Kosten wird vorausgesetzt.
Bemessungsgrundlage für Zuwendungen an Hochschulen, Forschungs- und Wissenschaftseinrichtungen sowie vergleichbare Institutionen, die nicht in den Bereich der wirtschaftlichen Tätigkeit fallen, sind die zuwendungsfähigen Projektbezogenen Ausgaben. Diese können unter Berücksichtigung der Beihilferechtlichen Vorgaben individuell bis zu 100 Prozent gefördert werden. Bei nichtwirtschaftlichen Forschungsvorhaben an Hochschulen wird zusätzlich zu den durch das BMBF finanzierten zuwendungsfähigen Ausgaben eine Projektpauschale in Höhe von 20 Prozent gewährt.
Antragsverfahren. Mit der Abwicklung des Projekts hat das BMBF den Projektträger Deutsches Zentrum für Luft- und Raumfahrt e.V. beauftragt. Das Antragsverfahren ist zweistufig angelegt. In der ersten Verfahrensstufe sind dem Projektträger zunächst Projektskizzen vorzulegen. Die Einreichungsfrist für diese Phase läuft bis zum 12. Januar 2024. Entsprechend der in der Förderrichtlinie angegebenen Kriterien werden die Projekte bewertet und die für eine Förderung geeigneten Projektideen ausgewählt. So dann werden in der zweiten Verfahrensstufe die Verfasser der positiv bewerteten Projektskizzen aufgefordert, einen förmlichen Projektantrag zu stellen. (Quelle: Bundesministerium für Bildung und Forschung, Richtlinie zur Förderung von Forschungsprojekten zum Thema "Flexible, resiliente und effiziente Machine-Learning-Modelle" vom 31. August 2023).
Rechtliches. Die Ergebnisse eines geförderten Vorhabens dürfen nur in der Bundesrepublik Deutschland oder dem Europäischen Wirtschaftsraum (EWR) und der Schweiz genutzt werden.
Der Bund gewährt die Zuwendungen der Förderrichtlinie nach Maßgabe der §§ 23 und 44 der BHO und den dazu erlassenen Verwaltungsvorschriften sowie der Richtlinie für Zuwendungsanträge auf Ausgabenbasis (AZA/AZP/AZV) und/oder der Richtlinie für Zuwendungsanträge auf Kostenbasis von Unternehmen der gewerblichen Wirtschaft (AZK) des BMBF. Ein Anspruch auf Gewährung einer Zuwendung besteht nicht. Die Bewilligungsbehörde entscheidet aufgrund ihres pflichtgemäßen Ermessens im Rahmen der Haushaltsmittel.
Die Beihilfen der Förderrichtlinie werden auf Grundlage von Art. 25 Abs. 1, 2, lit. a, b, c AGVO der EU-Kommission gewährt². Eine mögliche Förderung erfolgt unter Beachtung der in Kapitel 1 AGVO festgelegten Bestimmungen, insbesondere unter Berücksichtigung der in Art. 2 AGVO aufgeführten Begriffsbestimmungen.
1 Beihilfebegriff, EU- Kommission, ABl. C 262, S. 1 v. 19.7.2016;
2 Verordnung (EU) Nr. 651/2014 der Kommission vom 17. Juni 2014 zur Feststellung der Vereinbarkeit bestimmter Gruppen von Beihilfen mit dem Binnenmarkt in Anwendung der Artikel 107 und 108 des Vertrags über die Arbeitsweise der Europäischen Union (ABl. L 187 vom 26.6.2014, S. 1) in der Fassung der Verordnung (EU) 2017/1084 vom 14. Juni 2017 (ABl. L 156 vom 20.6.2017, S. 1), der Verordnung (EU) 2020/972 vom 2. Juli 2020 zur Änderung der Verordnung (EU) Nr. 1407/2013 hinsichtlich ihrer Verlängerung und zur Änderung der Verordnung (EU) Nr. 651/2014 hinsichtlich ihrer Verlängerung und relevanter Anpassungen (ABl. L 215 vom 7.7.2020, S. 3) und der Verordnung (EU) 2021/1237 vom 23. Juli 2021 zur Änderung der Verordnung (EU) Nr. 651/2014 zur Feststellung der Vereinbarkeit bestimmter Gruppen von Beihilfen mit dem Binnenmarkt in Anwendung der Artikel 107 und 108 des Vertrags über die Arbeitsweise der Europäischen Union (ABl. L 270 vom 29.7.2021, S. 39) und der Verordnung (EU) 2023/1315 vom 23. Juni 2023 zur Änderung der Verordnung (EU) Nr. 651/2014 zur Feststellung der Vereinbarkeit bestimmter Gruppen von Beihilfen mit dem Binnenmarkt in Anwendung der Artikel 107 und 108 des Vertrags über die Arbeitsweise der Europäischen Union (ABl. L 167 vom 30.6.2023, S. 1).