CHAIR OF

COMPUTATIONAL

INTELLIGENCE

In 6G-ANNA-MOEVE werden wir multi-kriterielle Optimierung und Entscheidungsfindungsalgorithmen sowie Methoden für verteiltes Lernen entwickeln. Die multi-kriteriellen Optimierungsprobleme haben mehrere Zielfunktionen, die gleichzeitig optimiert werden müssen. Ein Beispiel für solche hochkomplexe Probleme ist die Minimierung des Energieverbrauchs im Netz bei gleichzeitiger Sicherstellung von Ende- zu-Ende Performanz (Durchsatz, Latenz und Zuverlässigkeit). Die Lösung solcher Probleme ist eine Menge optimaler Alternativen, auf dieser Entscheidungsgrundlage kann der Anwender gemäß seinen Präferenzen die für ihn beste Lösung auswählen. Das gibt dem Anwender ein hohes Maß an Flexibilität in der Entscheidung, was zur Nachhaltigkeit der Lösungen beiträgt.

Für eine Echtzeitoptimierung werden wir digitale Zwillinge (Simulationen) entwickeln. Allerdings spiegeln Simulationen die Realität nicht perfekt wider. Daher sollen hier Methoden entwickelt werden, die eine effiziente Kombination von Offline- (Simulationsbasierte-) und Echtzeitoptimierung bieten. Eine mögliche Lösung für Echtzeitoptimierung kann durch verteilte Optimierung auf lokaler Ebene stattfinden. Parallelisierung bzw. die dezentrale Ausführung von Optimierungsalgorithmen ist ein komplexes Problem und hat viele Herausforderungen, u.a. Konvergenz zu lokalem Optimum und Mobilität der Knoten.

Bei der Entwicklung der Entscheidungsfindungsalgorithmen werden wir den Anwender in den Vordergrund stellen und dabei eine technische Unterstützung durch KI-Algorithmen anbieten. Ein Ziel des Projekts ist, dass durch die Interaktion zwischen Menschen und Maschine die nicht maschinenlesbaren Präferenzen der Anwender von Algorithmen verstanden werden, was wir „reverse explainability“ von Entscheidungsfindung nennen. Diese findet in „Collaborative Spaces“ Anwendung, die sich auf die Mensch-Maschine Interaktion, z.B. die Zusammenarbeit von Robotern und Menschen in der industriellen Produktion, fokussieren.