Neuronale Netze: Mit künstlicher Intelligenz der Leukämie auf der Spur

Forscher am Nationalen Centrum für Tumorerkrankungen Dresden haben ein Computersystem entwickelt, das mithilfe künstlicher Intelligenz eine akute myeloische Leukämie (AML) präzise erkennen kann. Ärzte und Informatiker des Uniklinikums und der TU Dresden entwickelten künstliche neuronale Netze, die sie mit digitalen Bilddaten von Knochenmarkausstrichen trainierten.

Deep Learning zur Unterstützung der Arbeitsplanung

Bei der Ermittlung von Vorgangsfolgen innerhalb der Arbeitsplanung wird auf Erfahrungswissen von Fachkräften und weitere Hilfsmittel wie Unterlagen, Richtlinien und Arbeitspläne ähnlicher Produkte zurückgegriffen. Demzufolge enthalten erstellte Arbeitspläne implizites Wissen, dessen Extraktion und Nutzung das Potenzial zur Beschleunigung der Vorgangsfolgeermittlung bietet. Für derartige Aufgaben können künstliche neuronale Netze des Deep Learning eingesetzt werden, die durch Training das implizite Wissen erfassen und über Vorhersagen nutzbar machen. Daher wird in diesem Beitrag ein Konzept für die Ermittlung von Vorgangsfolgen durch künstliche neuronale Netze vorgestellt.

Verbesserung der Netzverlustprognose für Energieübertragungsnetze

ZusammenfassungBei der Energieübertragung entstehen Netzverluste in den Leitungen und Betriebsmitteln des elektrischen Energiesystems. Die Höhe der Netzverluste ist sowohl von der Netzlast als auch von zahlreichen weiteren Einflussgrößen abhängig. Einen besonderen Einfluss hat dabei die fluktuierende und größtenteils verbrauchsferne Erzeugung durch erneuerbare Energien. Die Übertragungsnetzbetreiber müssen die elektrische Energie zum Ausgleich der Netzverluste im Voraus beschaffen. Um die benötigte Ausgleichsenergie möglichst kostenminimal einzukaufen, ist eine genaue Prognose der Netzverluste notwendig. Im Rahmen des vorliegenden Beitrags wird ein Verfahren vorgestellt, das für die Prognose der Netzverluste im Übertragungsnetz der 50Hertz Transmission GmbH zum Einsatz kommt. Als Modellansatz der Prognosemethode werden Künstliche Neuronale Netze verwendet. Das als Ergebnis der Arbeiten entwickelte Modell für die Netzverlustprognose steigert die Prognosegüte im Vergleich zum bisherigen Modell um sieben Prozent und befindet sich bei 50Hertz seit Juni 2019 im operativen Einsatz.

Bestärkendes Lernen mittels Offline-Trajektorienplanung basierend auf iterativ approximierten Modellen

ZusammenfassungIn diesem Beitrag nutzen wir Künstliche Neuronale Netze (KNN) zur Approximation der Dynamik nichtlinearer (mechanischer) Systeme. Diese iterativ approximierten neuronalen Systemmodelle werden in einer Offline-Trajektorienplanung verwendet, um eine optimale Rückführung zu bestimmen, welche auf das reale System angewandt wird. Dieser Ansatz des modellbasierten bestärkenden Lernens (engl. model-based reinforcement learning (RL)) wird am Aufschwingen des Einfachwagenpendels zunächst simulativ evaluiert und zeigt gegenüber modellfreien RL-Ansätzen eine signifikante Verbesserung der Dateneffizienz. Weiterhin zeigen wir Experimentalergebnisse an einem Versuchsstand, wobei der vorgestellte Algorithmus innerhalb weniger Versuche in der Lage ist, eine für das System optimale Rückführung hinreichend gut zu approximieren.