KI wird mit gezielt eingebautem Vorwissen noch schlauer

Neue Forschungsgruppe »Operator-basiertes Lernen« geht aus »Fraunhofer Attract«-Programm hervor

Am Fraunhofer-Entwicklungszentrum Röntgentechnik EZRT des Fraunhofer IIS wurde eine neue Gruppe »Operator-basiertes Lernen« eingerichtet. Die Forschungsgruppe ging aus dem Programm »Fraunhofer Attract« hervor, welches externen Bewerberinnen und Bewerbern die Möglichkeit bietet, eigene Ideen als Forschungsthemen an einem Fraunhofer-Institut einzubringen.

KI in der Bildrekonstruktion

Dank Maschinellem Lernen können wir viele Aufgaben bedeutend effizienter und zielführender bewältigen. Die selbstlernenden Systeme greifen dabei auf eine riesige Datenbank aus bestehendem Wissen für ihre Aufgabe zurück und »konditionieren« sich selbst, um immer bessere Ergebnisse auszuarbeiten.

Sehr gut lässt sich diese Künstliche Intelligenz (KI) bei der Bildrekonstruktion in der Röntgenbildgebung einsetzen. Beim Röntgen treten vor allem beim Einsatz höherer Energien oder als Folge spezieller Randbedingungen ungewollte Bildartefakte in den Rekonstruktionsergebnissen auf. Ein Nebeneffekt, der die Qualität der Daten mindert, jedoch mit herkömmlichen Methoden nicht zu vermeiden ist. Ein selbstlernender Algorithmus, welcher die Effekte einer solchen ungewollten Struktur erkennt und unter Beachtung von physikalischen und mathematischen Gegebenheiten korrigieren kann, wäre ein Qualitätssprung für die zerstörungsfreie Prüfung.

Forschungsthema Known Operator Learning

Eine der Kernaufgaben des neuen Teams um Gruppenleiter Prof. Dr. Andreas Maier wird es sein, der Herausforderung der sogenannten Black Box zu begegnen. Darunter versteht man die methodisch bedingte Eigenschaft eines Deep-Learning-basierten KI-Ansatzes, bei welchem für den Menschen nicht nachvollziehbar ist, wie die Entscheidungswege der KI aussehen und wie diese zu ihrem Ergebnis kommt. Folglich kann der Mensch nur schwer Fehlerursachen erkennen und korrigieren. »Trainiert man eine KI beispielsweise anhand zahlreicher CT-Scans des menschlichen Körpers, so wird diese beginnen, bestimmte Körperstrukturen auch in andere Gebilde hineinzuinterpretieren, welche dort nicht existieren. Das darf nicht passieren«, erläutert Professor Andreas Maier, der an der Friedrich-Alexander-Universität Erlangen-Nürnberg den Lehrstuhl für Mustererkennung innehat.

Um diese Problematik zu lösen, implementieren die Forschenden bestimmtes »Vorwissen« in die KI, damit diese die Plausibilität ihrer Arbeit selbstständig bewerten kann. Dies kann z. B. physikalisches Grundverständnis, Objektvorwissen wie CAD-Daten oder Materialdaten oder auch klassische Signalverarbeitung sein. Ein solcher bekannter Zusammenhang wird als »Known Operator« bezeichnet. Sein Einsatz in der KI zwingt diese quasi dazu, nur solche Lösungen zu finden, welche das physikalisch-mathematische Vorwissen korrekt wiedergeben.

Erschließung neuer Anwendungsbereiche

Das mittelfristige Ziel der neuen Forschungsgruppe ist es, diese Ansätze aus der KI-Forschung mit anderen Projekten am Fraunhofer IIS zu koppeln, um so Synergien für zuverlässigere Bilderinterpretation in der zerstörungsfreien Prüfung und auch für Anwendungsbereiche der Inline-Prüfung bereitzustellen. »Unsere Erkenntnisse möchten wir anderen Projektgruppen institutsweit kooperativ zur Verfügung stellen, um so gemeinsam neue Anwendungsbereiche zu erschließen. Auch Lizenzierungsmodelle der Technologie für unsere externen Partner sind für die Zukunft angedacht«, fasst Maier zusammen.