19767 research outputs found
Sort by
Efficiently approximating measures in inverse rendering
No full textAll rendering methods aim at striking a balance between realism and efficiency. This is particularly relevant for differentiable rendering, where the additional aspect of differentiablity w.r.t. scene parameters causes increased computational complexity while, on the other hand, in the common application of inverse rendering, the diverse effects of real image formation must be faithfully reproduced. An important effect in rendering is the attenuation of light as it travels through different media (visibility, shadows, transmittance, transparency). This can be modeled as an integral over non-negative functions and has been successfully approximated in forward rendering by so-called moments. We show that moment-based approximations are differentiable in the parameters defining the moments, and that this leads to efficient and practical methods for inverse rendering. In particular, we demonstrate the method at the examples of shadow mapping and visibility in volume rendering, leading to approximations that are similar in efficiency to existing ad-hoc techniques while being significantly more accurate.TU Berlin, Open-Access-Mittel – 2025EC/H2020/101055448/EU/Geometry Processing as Inference/EMERG
Qualitätsorientierte Designprinzipien für Montageanleitungen von Open-Source-Hardware-Maschinenbausätzen
No full textEnglish version of conference paper accepted for GQW-Tagungsband 2025Assembly instructions play a key role in ensuring high-quality assembly and manufacturing results for open-source hardware machine kits (OSHM) . They form a bridge between users and manufacturers in terms of perceived quality and contribute to customer loyalty. They also enable a continuous improvement process through user feedback. Nevertheless, OSHM sometimes have qualitative deficiencies in their assembly instructions, such as insufficient or inconsistent descriptions or visualisations, which leads to avoidable errors and additional effort.
This thesis examines how assembly instructions for OSHM can be validated using ten design principles. The aim is to ensure user requirements in the course of a quality-assured assembly process and the further open collaborative development of OSHM in this regard. This approach promotes trust and acceptance through reliable OSHM that is perceived as high quality.
The analysis of four case studies and an evaluation of 21 surveys are synthesised against the background of a literature review on ten design principles. The principles are sorted according to requirement level and assigned to basic, performance and enthusiasm requirements. The design principles form an application-oriented design framework that supports developers in designing user-friendly instructions for the assembly and operation of OSHM.Montageanleitungen nehmen eine Schlüsselrolle für qualitativ hochwertige Montage- und Fertigungsergebnisse von Open-Source-Hardware-Maschinenbausätzen (OSHM) ein. Sie bilden eine Brücke zwischen Nutzer und Hersteller mit Blick auf wahrgenommene Qualität und tragen zur Kundenbindung bei. Zudem ermöglichen Sie einen kontinuierlichen Verbesserungsprozess durch Nutzerfeedback. Dennoch weisen OSHM mitunter qualitative Mängel in den Montageanleitungen auf, wie unzureichende oder inkonsistente Beschreibungen bzw. Visualisierungen, was vermeidbares Fehlerauftreten und Mehraufwand erzeugt.
Diese Arbeit untersucht, wie Montageanleitungen für OSHM durch zehn Designprinzipien abgesichert werden können. Ziel ist es, Nutzeranforderungen im Zuge eines qualitätsabgesicherten Montageprozesses und der weiteren offenen kollaborativen Entwicklung von OSHM in dieser Hinsicht zu gewährleisten. Dieser Ansatz fördert das Vertrauen und die Akzeptanz durch zuverlässige und als qualitativ hochwertig empfundene OSHM.
Die Analyse von vier Fallstudien und eine Auswertung von 21 Befragungen werden vor dem Hintergrund einer Literaturrecherche zu zehn Designprinzipien synthetisiert. Dabei werden die Prinzipien nach Anforderungsniveau sortiert und in Basis-, Leistungs- und Begeisterungsanforderungen zugeordnet. Die Designprinzipien bilden einen anwendungsorientierten Entwurfsrahmen, der Entwickler dabei unterstützt, nutzergerechte Anleitungen für die Montage und den Betrieb von OSHM zu entwerfen
Kinetic resolution of BINAMs by stereoselective Copper-catalyzed dehydrogenative Si–N coupling with prochiral dihydrosilanes
No full textA nonenzymatic kinetic resolution of monoprotected 1,1′-binaphthyl-2,2′-diamine (BINAM) derivatives is reported. This is achieved by a Cu–H-catalyzed dehydrogenative Si–N coupling with prochiral dihydrosilanes using (R,R)-Ph-BPE as a chiral ligand. The atroposelective as well as diastereoselective N-silylation enables the resolution of BINAMs with various substituents in 6,6′- or 7,7′-positions with good to synthetically useful selectivity factors.TU Berlin, Open-Access-Mittel – 202
Secondary formation of light-absorbing, insoluble particles from catechol in the presence of Fe(II) or Fe(III) and hydrogen peroxide at dark and light conditions
No full textSoluble iron is a key reactant in the atmospheric aqueous phase, undergoing photochemical and redox reactions and forming complexes. Its reaction with dihydroxybenzenes drives the formation of light-absorbing products. This study systematically investigates the formation of colored organic compounds from catechol precursors catalyzed by iron, with a focus on the role of iron oxidation state, UV light, and the presence of hydrogen peroxide (H2O2) at acidic conditions (pH 3). In the presence of Fe(III) in the dark, light-absorbing, greyish-black, insoluble particles were formed. UV light reduced their formation, while H2O2 inhibited the formation completely. However, the presence of H2O2 led to a colored, strongly light-absorbing solution in both Fe(II) and Fe(III) experiments. Fe(II)-based experiments required UV light for the formation of those greyish-black particles. These findings emphasize the significant impact of soluble iron in forming light-absorbing compounds under varying conditions, highlighting its potential influence on the Earth’s radiation budget.TU Berlin, Open-Access-Mittel – 202
Microscopic theory for a minimal oscillator model of exciton-plasmon coupling in hybrids of two-dimensional semiconductors and metal nanoparticles
No full textThe common model to describe exciton-plasmon interaction phenomenologically is the coupled oscillator model. Originally developed for atomic systems rather than solid-state matter, this model treats both excitons and plasmons as single harmonic oscillators coupled via a constant which can be fitted to experiments. In this paper, we present a modified coupled oscillator model specifically designed for exciton-plasmon interactions in hybrids composed of two-dimensional excitons, such as in transition metal dichalcogenide (TMDC) monolayers and metal nanoparticles while maintaining the simplicity of the commonly applied coupled oscillator models. Our approach is based on the self-consistent solution of a microscopic material model and Maxwell's equations, allowing us to analytically derive an effective exciton-plasmon coupling constant. Our findings highlight the importance of the spatial dispersion, i.e., the delocalized nature of TMDC excitons, necessitating the distinction between bright and momentum-dark excitons. Both types of excitons occur at different resonance energies and exhibit a qualitatively different coupling with localized plasmons. We find a strong coupling between the plasmon and momentum-dark excitons, while a weakly coupled bright exciton manifests as an additional, third peak in the spectrum. Consequently, we propose a realistic modeling of the primary spectral features in experiments incorporating three harmonic oscillator equations instead of the conventional two. However, we also shed light on the limitations of the three coupled oscillator model in describing the line shape of extinction and scattering cross section spectra.TU Berlin, Open-Access-Mittel – 2025DFG, 556436549, Coherent Many-body phenomena in degenerate exciton ensembles in van der Waals heterostructures (Koh-E3
Maschinelles Lernen und kombinatorische Methoden für diskrete Optimierungsprobleme
No full textCombinatorial optimization is a central field of discrete mathematics, concerned with finding optimal solutions to problems over combinatorial structures such as graphs or set systems. However, while classical combinatorial optimization assumes complete knowledge of all problem parameters, real-world applications often include uncertainty. Among the most important problems in this field are parallel machine scheduling problems and network flow problems, which have attracted sustained research in operations research and computer science for over half a century. In this thesis, we develop and implement algorithms for variants of these two important classes of problems.
Scheduling problems, with their elegant and often minimalistic formulations make them ideal test environment for algorithm development, while they remain highly relevant to real-world domains such as manufacturing, communications, and healthcare. In most practical settings, uncertainty is the rule rather than the exception. With the rise of the digital era, stochastic information can often be inferred from the abundance of available data. This motivates the study of stochastic scheduling on parallel machines in the first part of this thesis.
First, we consider one of the most important real-world applications: elective surgery planning in hospitals with shared operating rooms for both elective and emergency patients. The problem is divided into two phases: offline and online. In the offline phase, elective patients are selected, assigned to operating blocks, and given tentative start times. The online phase includes inserting emergency surgeries as they arrive and may postpone or cancel elective ones. The objective is to minimize expected total costs related to patient assignment, waiting times, surgery cancellations, and resource overtime and idle time. We model the offline phase as a two-stage stochastic program and approximate second-stage costs using a convex piecewise linear surrogate model. This results in a mixed-integer program which can be solved very quickly even for large instances. For the online phase, we propose a greedy policy. Simulations show that our approach can reduce expected costs by up to 30% compared to heuristic methods.
In recent years, there has been growing interest from both the research community and industry in applying machine learning to scheduling problems. Motivated by this trend, we next apply a machine learning method to the stochastic scheduling problem in an unrelated parallel machine environment. The overall goal is to find a scheduling policy that minimizes the expected value of a cost function combining three classic objectives: weighted job tardiness, weighted machine tardiness, and makespan. We use supervised learning to train a neural network on instances solved to optimality via dynamic programming. Different representations of the stochastic information are explored during the training. The results show that the neural network policy outperforms state-of-the-art heuristics, achieving expected costs within about 1% of the true optimal policy. Additionally, the learned policy generalizes well to instances with different job duration distributions and larger problem sizes.
Networks are an integral part of modern life, forming the backbone of the countless systems on which we rely daily. Network flow models cover a wide range of real-world applications; however, in many cases, splitting a commodity across multiple paths can often degrade service quality, increase operational complexity, or even be impractical. This gives rise to the need to study the unsplittable flow problem. The second part of this thesis will focus on unsplittable flow problems in digraphs.
We begin with the integer and unsplittable multiflow problem in series-parallel digraphs. An unsplittable multiflow routes the demand for each commodity along a single path from its source to its sink node. As one of our main results, we prove that any multiflow in a series-parallel digraph can be expressed as a convex combination of unsplittable multiflows, where the total flow on any arc deviates from the given flow by less than the maximum demand of any commodity. For the special case of series-parallel digraphs, this confirms a long-standing conjecture by Goemans and a stronger one by Skutella, even for general multiflows where commodities have different source and sink nodes. We also show strong integrality results for multiflows on series-parallel digraphs, showing their computation can be reduced to a simple single-commodity flow problem.
We next study a variant of the unsplittable multiflow problem, namely the single-source unsplittable flow problem in general digraphs, where the demand of each commodity must be routed along a single path from a common source node to its respective sink node. We present an alternative algorithm to the one introduced by Goemans, based on the concept of residual networks. This algorithm also serves as the foundation for a heuristic method aimed at solving a more challenging variant of the problem, recently proposed by Skutella, which requires simultaneously satisfying both upper and lower bounds on arc flow values. We evaluate the heuristic on various sets of randomly generated instances. The results show that our method performs well across all sets, successfully solving most instances.Kombinatorische Optimierung ist ein zentrales Teilgebiet der diskreten Mathematik, das sich mit der Suche nach optimalen Lösungen über kombinatorischen Strukturen wie Graphen oder Mengensystemen befasst. Während in der klassischen kombinatorischen Optimierung vollständige Informationen über alle Problemparameter vorausgesetzt werden, ist in realen Anwendungen Unsicherheit häufig unvermeidbar. Zu den wichtigsten Problemklassen in diesem Bereich zählen Planungsprobleme auf parallelen Maschinen sowie Netzwerkflussprobleme, die seit über einem halben Jahrhundert im Fokus der Forschung in den Bereichen Operations Research und Informatik stehen. In dieser Arbeit entwickeln und implementieren wir Algorithmen für Varianten dieser beiden bedeutenden Klassen kombinatorischer Optimierungsprobleme.
Planungsprobleme zeichnen sich durch elegante und oftmals minimalistische Modellierungen aus, was sie zu idealen Testumgebungen für die Entwicklung neuer Algorithmen macht. Gleichzeitig besitzen sie eine hohe praktische Relevanz in zahlreichen Anwendungsbereichen wie der Fertigungsindustrie, der Telekommunikation und dem Gesundheitswesen. In den meisten realen Szenarien ist Unsicherheit eher die Regel als die Ausnahme. Mit dem Aufkommen des digitalen Zeitalters lässt sich stochastische Information zunehmend aus der Fülle verfügbarer Daten gewinnen. Dies motiviert die Auseinandersetzung mit stochastischen Planungsproblemen im ersten Teil dieser Dissertation.
Zunächst betrachten wir eine der wichtigsten realweltlichen Anwendungen: die Operationsplanung in Krankenhäusern mit gemeinsam genutzten Operationssälen für elektive und Notfallpatienten. Das Problem wird in zwei Phasen unterteilt: eine Offline- und eine Online-Phase. In der Offline-Phase werden elektive Patienten ausgewählt, Operationsblöcken zugewiesen und mit vorläufigen Startzeiten versehen. In der Online-Phase werden eintreffende Notfalloperationen eingefügt, und gegebenenfalls werden elektive Eingriffe verschoben oder abgesagt. Das Ziel besteht darin, die erwarteten Gesamtkosten zu minimieren, die sich aus der Patientenverteilung, den Wartezeiten, OP-Absagen sowie den Überstunden und Leerlaufzeiten der Ressourcen ergeben. Die Offline-Phase wird als zweistufiges stochastisches Programm modelliert, und die Kosten der zweiten Stufe werden mithilfe eines stückweise linearen, konvexen Surrogatmodells approximiert. Dadurch ergibt sich ein gemischt-ganzzahliges Optimierungsproblem, das selbst für große Instanzen sehr effizient lösbar ist. Für die Online-Phase schlagen wir eine “greedy” Entscheidungsregel vor. Simulationen zeigen, dass unser Ansatz die erwarteten Kosten im Vergleich zu heuristischen Verfahren um bis zu 30% senken kann.
In den vergangenen Jahren ist sowohl in der Forschung als auch in der Industrie das Interesse an der Anwendung von Methoden des maschinellen Lernens auf Planungsprobleme stark gewachsen. Vor diesem Hintergrund wenden wir Methoden des maschinellen Lernens auf das stochastische Planungsproblem für unabhängige parallele Maschinen an. Ziel ist es, eine Policy zu ermitteln, die den Erwartungswert einer Kostenfunktion minimiert, welche drei klassische Zielgrößen kombiniert: gewichtete Verspätung der Aufträge (weighted job tardiness), gewichtete Maschinenverspätung (weighted machine tardiness) und die Gesamtdauer (makespan). Hierfür nutzen wir überwachtes Lernen (supervised learning), um ein neuronales Netzwerk auf Instanzen zu trainieren, die mittels dynamischer Programmierung optimal gelöst wurden. Dabei werden verschiedene Repräsentationen der stochastischen Informationen während des Trainingsprozesses untersucht. Die Ergebnisse zeigen, dass die durch das neuronale Netzwerk gelernte Policy gegenüber etablierten heuristischen Verfahren überlegen ist und erwartete Kosten erzielt, die nur etwa 1% über denen der optimalen Policy liegen. Darüber hinaus generalisiert die gelernte Policy gut auf Instanzen mit anderen Verteilungen der Auftragsdauern sowie auf größere Problemgrößen.
Netzwerke sind ein integraler Bestandteil des modernen Lebens und bilden das Rückgrat unzähliger Systeme, auf die wir täglich angewiesen sind. Netzwerkflussmodelle decken ein breites Spektrum realweltlicher Anwendungen ab. In vielen Fällen kann das Aufteilen des Flusses auf mehrere Pfade jedoch die Dienstleistungsqualität beeinträchtigen, die operative Komplexität erhöhen oder sich als praktisch undurchführbar erweisen. Daraus ergibt sich die Notwendigkeit, das sogenannte Unteilbarer-Fluss-Problem zu untersuchen. Der zweite Teil dieser Dissertation widmet sich daher dem Unteilbarer-Fluss-Problem in gerichteten Graphen.
Wir beginnen mit dem ganzzahligen Unteilbarer-Multifluss-Problem in serien-parallelen Digraphen (series-parallel digraphs). Ein unteilbarer Multifluss routet die Nachfrage jeder Ware entlang eines einzigen Pfades vom Start- zum Zielknoten. Als eines unserer zentralen Ergebnisse zeigen wir, dass sich jeder Multifluss in einem serien-parallelen Digraphen als konvexe Kombination von unteilbaren Multifluss-Lösungen darstellen lässt, wobei der Fluss auf jeder Kante höchstens um die maximale Nachfrage einer Ware vom ursprünglichen Fluss abweicht. Für den Spezialfall serien-paralleler Digraphen bestätigt dies eine langjährige Vermutung von Goemans sowie eine stärkere Version dieser Vermutung von Skutella – und zwar auch für allgemeine Multifluss-Probleme, bei denen die Waren unterschiedliche Start- und Zielknoten besitzen. Darüber hinaus zeigen wir starke Ganzzahligkeitseigenschaften für Multifluss-Probleme auf serien-parallelen Digraphen und beweisen, dass sich ihre Berechnung auf ein einfaches Einzelwarenfluss-Problem (single-commodity flow) reduzieren lässt.
Anschließend untersuchen wir eine Variante des Unteilbarer-Multifluss-Problems, das sogenannte Single Source Unteilbarer-Fluss-Problem, in allgemeinen Digraphen. Dabei muss die Nachfrage jeder Ware entlang eines einzigen Pfads von einem gemeinsamen Startknoten zu einem jeweils spezifischen Zielknoten geleitet werden. Wir präsentieren einen alternativen Algorithmus zu dem von Goemans vorgeschlagenen Verfahren, der auf dem Konzept Residualnetzwerk (residual networks) basiert. Dieser Algorithmus bildet zugleich die Grundlage für eine heuristische Methode zur Lösung einer kürzlich von Skutella vorgeschlagenen anspruchsvolleren Problemvariante. Diese erfordert, dass sowohl obere als auch untere Schranken auf den Kantenflüssen gleichzeitig eingehalten werden. Wir evaluieren die Heuristik auf verschiedenen Mengen zufällig generierter Instanzen. Die Ergebnisse zeigen, dass unsere Methode über alle Instanzenmengen hinweg gut funktioniert und die meisten Instanzen erfolgreich löst.DFG, 390685689, EXC 2046: MATH+: Berlin Mathematics Research Cente
Halbüberwachtes kontrastives Lernen für virtuelles phänotypisches Screening
No full textHigh-content assays such as the Cell Painting assay have a lot of potential to advance drug discovery projects, by using a target agnostic approach and by using a more physiologically relevant cellular model system, compared to target-based screenings. This approach captures a more holistic view of the bioactivity of treatments by generating multi-dimensional readouts of cellular responses to drug-induced perturbations.
However, the primary bottleneck to leverage this high-dimensional data lies in its computational analysis, due to the complexity and vast size of the generated image data. Deep learning is a powerful computational tool to analyse image data, as it can distil the microscopy images into biologically meaningful representations that enable accurate inference of treatment bioactivity. It is important to select suitable deep learning algorithms, and developing more task-aligned algorithms plays a crucial role in creating more accurate models. Label scarcity and technical variations are among the key challenges for developing accurate and robust bioactivity prediction models, which we aimed to tackle in this thesis.
To mitigate the lack of bioactivity labels for effectively training deep learning models, we developed semi-supervised contrastive learning methods to learn meaningful representations of microscopy images. This approach is inherently label-efficient, enabling the learning of task-relevant representations, without relying on large, annotated datasets. We tailored the popular supervised contrastive learning approach to be more suitable for bioactivity prediction from Cell Painting data, by developing a multi-label semi-weakly supervised contrastive learning (MuSWSupCon) algorithm. Baseline evaluation showed considerable improvements for bioactivity prediction compared to established methods from the literature. We used experimental replicates as positives, which played an important role to optimize our model towards learning representations that can mitigate technical variations. The robustness of our approach towards technical variations was demonstrated on the multi-site EU-OS bioactives dataset, in which microscopy images were acquired from laboratories across Europe.
We deployed our workflow on compounds with missing annotations, to demonstrate the capacity of our method to accurately predict the bioactivity of compounds. To identify potential hits, we used ensemble virtual screening to get more reliable predictions, which is important due to the high cost of experimental validation. We achieved a hit rate of ~13% on a validation assay for the identification of HDAC2 inhibitors and ~10% for AKT1 inhibitors, in which we only screened ~30 compounds for each assay, which shows the potential efficiency improvements our method can provide for the identification of new bioactive compounds.
This thesis demonstrates accurate and robust bioactivity prediction from Cell Painting image data using semi-supervised contrastive models, which can potentially be used to increase the hit rate of multiple drug discovery projects and provide a more holistic understanding of treatment bioactivity.Phänotypische Screenings wie der Cell Painting Assay besitzen ein großes Potenzial, die Wirkstoffforschung voranzutreiben. Mit dem Cell Painting Assay kann die Wirkung von bioaktiven Molekülen untersucht werden, ohne dass die Kenntnis der Zielmoleküle benötigt wird, im Gegensatz zu Target-basierten Assays. Zudem wird bei diesem Assay ein physiologisch relevanteres zelluläres Modellsystem benutzt, was eine ganzheitliche Erfassung der Wirkung von Molekülen auf Zellen ermöglicht. Für eine effektive Analyse der Mikroskopiebilder müssen diese erst in multiparametrische Bildrepräsentationen umgewandelt werden.
Um diese hochdimensionalen Daten effektiv verwerten zu können, werden sehr akkurate computergestützte Methoden benötigt, bedingt durch die Komplexität und die enorme Menge der generierten Bilddaten. Deep Learning ist hier ein vielversprechendes und leistungsfähiges Werkzeug, um die Mikroskopiebilder in biologisch aussagekräftige Repräsentationen zu konvertieren, die eine akkurate Vorhersage der Bioaktivität von Molekülen ermöglichen. Dabei ist die Entwicklung von Algorithmen, die an ihre Zielanwendung möglichst optimal angepasst sind von entscheidender Bedeutung, um genauere Modelle zu erstellen. Der Mangel an Bioaktivitätsannotationen sowie technische Variationen in den Mikroskopiebildern stellen zentrale Herausforderungen bei der Entwicklung präziser und robuster Modelle zur Vorhersage der Bioaktivität dar, welche wir im Rahmen dieser Arbeit adressieren.
Um dem Mangel an Bioaktivitätsannotationen effektiv entgegenzuwirken, entwickelten wir Semi-Supervised Contrastive Learning Methoden, um aussagekräftige Repräsentationen der Mikroskopiebilder zu erlernen. Solche Ansätze sind von Natur aus dateneffizient in Bezug auf die benötigten Annotationen und ermöglichen das Erlernen von anwendungsbezogenen Repräsentationen, ohne auf große, vollständig annotierte Datensätze angewiesen zu sein. Wir passten die weit verbreitete Supervised Contrastive Learning Methode an die spezifische Anwendung der Bioaktivitätsvorhersage auf Basis von Cell Painting Daten an, indem wir einen Multi-Label Semi-Weakly Supervised Contrastive Learning (MuSWSupCon) Algorithmus entwickelten. Ein zentraler Aspekt unserer Methode war die Verwendung von experimentellen Replikaten als Positiv-Paare, was entscheidend dazu beitrug, das Modell für das Erlernen von Repräsentationen zu optimieren, die technischen Variationen entgegenwirken können. Die Robustheit dieses Ansatzes wurde am standortübergreifenden EU-OS Bioactives Datensatz demonstriert, dessen Mikroskopiebilder in mehreren europäischen Laboren aufgenommen wurden.
Um die praktische Fähigkeit unserer Methode zur akkuraten Vorhersage der Bioaktivität zu demonstrieren, haben wir unseren Ansatz auf Moleküle mit fehlenden Annotationen angewandt. Zur Vorhersage der Bioaktivitätsklassen nutzten wir ein Ensemble-basiertes virtuelles Screening, um die Zuverlässigkeit der Vorhersagen zu erhöhen. Dies ist ein wichtiger Aspekt angesichts der hohen Kosten für die experimentelle Validierung. In Validierungsassays zur Identifizierung von HDAC2-Inhibitoren erzielten wir eine Trefferquote von ~13%, während für AKT1-Inhibitoren eine Trefferquote von ~10% erzielt wurde, wobei lediglich ~30 Verbindungen pro Assay untersucht wurden. Dies unterstreicht die erhebliche Effizienz unserer Methode für die Identifizierung neuer bioaktiver Verbindungen.
Diese Dissertation demonstriert einen akkuraten und robusten Semi-Supervised Contrastive Learning Ansatz für die Bioaktivitätsvorhersage basierend auf Cell Painting Daten. Die entwickelte Methode hat das Potenzial, die Trefferquote für etliche zukünftige Wirkstoffforschungsprojekte erheblich zu erhöhen und ein ganzheitlicheres Verständnis der Bioaktivität von Molekülen zu ermöglichen.DFG, 390540038, EXC 2008: Unifying Systems in Catalysis "UniSysCat
Unsicherheit in der Erklärbaren Künstlichen Intelligenz
No full textArtificial intelligence (AI) has become deeply embedded in modern decision-making systems, driving advances across science, industry and society. Yet, as models grow in scale and complexity, they increasingly operate as opaque systems whose internal reasoning remains difficult to understand. Explainable AI (XAI) seeks to remedy this by providing interpretable insights into model behavior, supporting model verification, accountability and calibrated human-AI trust. However, a growing body of work shows that explanations themselves are oftentimes unstable, noisy or sensitive to slight perturbations - a variation that could be attributed to datasets, models or explanation techniques. Without a thorough understanding of where this uncertainty comes from and a reliable way to communicate it, explanations risk being misleading, unreliable and ultimately detrimental to user trust. This threatens to turn XAI from a transparency tool into a further source of ambiguity.
In this dissertation, we address these challenges by developing a principled framework for Uncertainty in Explainable AI (UXAI) that conceptualizes and operationalizes uncertainty within the explanation process. First, we introduce a mathematical formulation of explainers as functions , enabling a propagation-based view of how uncertainty originating in the data, model and explainer hyperparameters flows into the final explanation. Building on this formulation, we derive a test for checking how reliably uncertainty is propagated through the explanation pipeline, comparing first-order uncertainty approximations against empirical perturbation-based estimates. We then demonstrate how uncertainty quantification can enhance transparency in practice by (i) constructing a post-hoc stochastic concept-based explainer and (ii) conformalizing a multimodal, multitask model used in real-world scientific workflows. As far as the human dimension is concerned, we develop a human-in-the-loop experimental framework to study how explanations communicated together with model uncertainty influence human-AI collaboration, user performance and learning in unfamiliar tasks. Finally, we conclude by discussing what is still missing in UXAI and future directions that could advance the field further.Künstliche Intelligenz (KI) wird heutzutage in vielen Bereichen der Wissenschaft, Industrie und Gesellschaft eingesetzt, was zu erheblichen Fortschritten in diesen Domänen geführt hat. KI-Modelle werden aber immer komplexer und ihre inneren Entscheidungsprozesse sind immer schwieriger zu verstehen. Mit Erklärbarer KI (XAI) versucht man dieses Problem zu lösen, indem man Methoden entwickelt, die die Vorhersagen des Modells interpretierbar und verifizierbar machen und das Vertrauen des Benutzers in die Maschine kalibriert. Eine wachsende Zahl von Studien zeigt jedoch, dass Erklärungen selbst oft instabil, verrauscht oder empfindlich gegenüber leichten Störungen sind - eine Variation, die auf Datensätze, Vorhersage-Modelle oder Erklärungstechniken zurückgeführt werden könnte. Ohne ein gründliches Verständnis dafür, woher diese Unsicherheit stammt, und ohne eine zuverlässige Methode, sie zu kommunizieren, besteht das Risiko, dass Erklärungen irreführend und letztendlich sogar schädlich für das Benutzervertrauen werden. Dies droht, XAI von einem Transparenzwerkzeug in eine weitere Quelle der Mehr\-deutigkeit zu verwandeln.
In der vorliegenden Dissertation gehen wir diese Herausforderungen an, indem wir einen Ansatz entwickeln, der die Unsicherheit in Erklärbarer KI (Uncertainty in Explainable AI, UXAI) formal beschreibt und operationalisiert. Zuerst führen wir eine mathematische Formulierung von Erklärern in Form von Funktionen ein, die eine propagationsbasierte Sichtweise ermöglicht, wie die aus den Daten, dem Vorhersage-Modell und den Erklärungshyperparametern stammende Unsicherheit in die endgültige Erklärung einfließt. Aufbauend auf dieser Formulierung leiten wir einen Test ab, um zu überprüfen, wie zuverlässig die Unsicherheit durch die Erklärungspipeline propagiert wird, indem wir Unsicherheitsnäherungen erster Ordnung mit empirischen, auf Störungen basierenden Schätzungen vergleichen. Wir zeigen im Anschluss, wie die Quantifizierung von Unsicherheit die Transparenz von KI in der Praxis verbessern kann, indem wir (i) einen post-hoc stochastischen, konzeptbasierten Erklärer konstruieren und (ii) ein multimodales neuronales Netz, das bei Bodenprofilbeschreibungen unterstützen soll, mithilfe von Methoden aus der Literatur zur "Conformal Prediction" erweitern. Im Hinsicht auf den menschlichen Faktor, entwickeln wir ein experimentelles Design für Nutzerstudien, um zu untersuchen, wie Erklärungen, die zusammen mit der Modellunsicherheit kommuniziert werden, die Mensch-KI-Kollaboration, die Benutzergenauigkeit und das Lernen bei unbekannten Aufgaben beeinflussen. Wir schließen mit einer Diskussion darüber ab, was in UXAI noch fehlt und welche Richtungen das Forschungsfeld weiter voranbringen könnten
A systematic review of taxonomies, enabling mechanisms, and research frontiers
No full textThe inherent variability in human performance introduces stochastic perturbations into manufacturing environments, undermining the seamless coordination required for effective human-robot collaboration (HRC) systems. While human cognitive flexibility enhances adaptability, it simultaneously acts as a source of operational uncertainty, complicating the modeling and optimization of integrated robotic systems. Given these challenges, there is an urgent need to substantially expand the adaptability of robotic systems through real-time detection, algorithmic analysis and dynamic behavioral adjustments in response to human performance fluctuations. The systematic development of such systems capable of precisely detecting task-specific variations, analyzing them via advanced AI algorithms and adapting their behavior accordingly remains a critical focus of contemporary research. To evaluate progress in this domain, this study conducts a systematic literature review, synthesizing advancements across 124 publications and identifying underexplored research frontiers. The findings reveal a persistent misalignment between current technical capabilities and the requirements of adaptive collaboration in dynamic industrial environments. Key gaps include the absence of explainable AI frameworks for transparent decision-making, limited generalizability of adaptive control architectures and a lack of proactive strategies that anticipate rather than merely react to performance deviations.TU Berlin, Open-Access-Mittel – 202
Classification of mass terms in kagome semimetals
No full textIn the last years, kagome materials have received massive attention by virtue of being candidate hosts for a large variety of quantum phases: spin liquids, unconventional superconductivity, and topological phases of matter, to name the more exotic. One of the most interesting features is tunability: changing the filling, the noninteracting band structure can be tuned from flat bands to conventional metallic phases as well as to semimetals. In this paper, we concentrate on the latter. At specific lattice filling, the electronic bands have a semimetallic structure, hosting Dirac, massless quasiparticles, such as in graphene or other layered two dimensional materials. Specifically, we determine what terms can be added to the nearest-neighbor hopping that opens at the gap at the said Dirac point. These terms can, in principle, arise through external perturbations, interactions, or collective instabilities. We classify the 16 possible gap-opening terms according to the broken symmetries. Furthermore, we identify concrete microscopic realizations, allowing for an interpretation of these phases.TU Berlin, Open-Access-Mittel – 202