Referenzontologien spielen eine wesentliche Rolle bei der Organisation von Wissen in den Biowissenschaften und anderen Bereichen. Da sie in einem aufwändigen Prozess manuell erstellt werden, decken sie oft nur einen kleinen Teil ihrer Domäne ab. Unser Ziel ist es, eine automatische Erweiterung des Abdeckungsgrades einer Referenzontologie zu ermöglichen. Dies geschieht, indem diese automatisch um Klassen erweitert wird, die noch nicht manuell hinzugefügt wurden. Diese Erweiterung soll den (oft impliziten) Designentscheidungen der Entwickler der Referenzontologie treu bleiben.
Während es sich hierbei um ein allgemeines Problem handelt, fokussieren wir uns auf die Chemical Entities of Biological Interest (ChEBI) als Anwendungsgebiet. In unserem Ansatz werden die Blattklassen der manuell kuratierten Referenzontologie verwendet, um ein System zur Vorhersage von Unterklassenbeziehungen zwischen Klassen mittlerer Ebene und neuen Klassen zu trainieren. Wir verwenden also Techniken des maschinellen Lernens, sind aber nicht auf Textkorpora als Input angewiesen, sondern nutzen den Inhalt der Ontologie selbst. Eine Schlüsselrolle spielen dabei Annotationen von Klassen, die Informationen liefern, die für die Klassifizierung einer bestimmten Entität innerhalb der Ontologie relevant sind. Im Fall von ChEBI sind dies z. B. die Struktur chemischer Entitäten (z. B. Moleküle und funktionelle Gruppen).
Darüber hinaus werden die Axiome der Ontologie als logische neuronale Netze dargestellt. Somit bietet unser Ansatz eine Art neuro-symbolische Integration. In Vorarbeiten haben wir die Machbarkeit des Ansatzes durch den Vergleich der Leistung einer Reihe von maschinellen Lernansätzen nachgewiesen. Trotz der Einschränkungen der Vorarbeiten ist die Leistung einiger unserer Modelle im Vergleich zu ClassyFire positiv. ClassyFire ist ein regelbasiertes System, das den Stand der Technik für diese Aufgabe darstellt und bei der Entwicklung von ChEBI eingesetzt wird. Darüber hinaus zeigen unsere Ergebnisse, dass verschiedene Ansätze des maschinellen Lernens für unterschiedliche Arten von chemischen Entitäten geeignet sind. Daher planen wir, in unserem Projekt einen Ensemble-Ansatz zu verwenden.
Die Ergebnisse dieses Projektes werden sein: (a) ein Benchmark-Trainingssatz für das Trainieren von Modellen zur Erweiterung der chemischen Ontologie und (b) ein System, das - wenn es eine Reihe neuer chemischer Entitäten als Eingabe erhält - automatisch eine neue Ontologie generiert, die ChEBI um diese Entitäten erweitert. Der Nutzen dieser Arbeit besteht in einer neuartigen Methodik zur Erweiterung des Abdeckungsgrads bestehender Referenzontologien. Wenn sie angenommen wird, wird sie eine verbesserte Interoperabilität und Wissensintegration für die Gebiete ermöglichen, in denen diese Referenzontologien verwendet werden. Ein weiteres Ergebnis ist eine neuartige neuronal- symbolische Architektur, die neuronale Graphennetze, Transformer und logische neuronale Netze integriert.
Das Projekt ist ein Kooperationsprojekt mit Prof. Dr. Janna Hastings (Universität Zürich) im Rahmen des Weave Lead Agency-Verfahrens der DFG.

Projekt im Forschungsportal ansehen

Im Projekt Stadt-Land-Energie entwickeln wir offene und übertragbare Methoden und Tools, die es ermöglichen, robuste, regional verzahnte und sektorengekoppelte Energiewendeszenarien für den Stadt-Land-Nexus zu berechnen und geeignet aufzubereiten. Unser Ziel ist es, damit die interkom- munale Zusammenarbeit zu fördern und die Energiewende vor Ort zu beschleunigen. Forschende profitieren dabei von der innovativen Methodik zur Robustheitsanalyse in Energiesystemmodellen, der Verbesserung der Modelllösungszeit sowie durch Weiterentwicklungen des effizienten und offe- nen Datenmanagements. Das Teilprojekt 'Datenmodell, Ontologie und Workflows für Übertragbarkeit' hat qualitative Methoden zum Schwerpunkt, die die Organisation und Übertragbarkeit der im Projekt Stadt-Land-Energie verwendeten Daten und Prozesse ermöglichen und verbessern. Wir werden Begrifflichkeiten aus verschiedenen für Stadt-Land-Energie wichtigen Bereichen an die Open Energy Ontology (OEO) anbinden, nämlich aus dem Datenmodell, den Bereichen Robustheit, Unsicherheit und Stadt-Land-Nexus, sowie aus den Energiesystemmodellen. Auf diese Weise können wir die verwendeten Begriffe (vor allem für Stakeholder) verständlicher gestalten, die Daten und Modelle besser auffindbar machen, die Analyse von Unsicherheiten besser strukturieren sowie die Übertragbarkeit zwischen Modellen verbessern. Ein weiterer Schwerpunkt der OVGU betrifft die Vorbereitung der Eingangsdaten für die in Stadt-Land-Energie geplanten neuen Modellrechnungen. Oft wird der Aufwand der Prozessierung heterogener Eingangsdaten unterschätzt. Daher erstellen wir über ein Graph-basiertes Workflow-Tool eine automatische Prozessierungspipeline, die unterschiedliche Szenariendaten in das entwickelte Format überführt und auf der Open Energy Platform (OEP) zur einfachen Nutzung bereitstellt.

Projekt im Forschungsportal ansehen

Das Projekt "SIROP: Auf dem Weg zur Szenarieninteroperabilität" hat das Ziel, Szenarieninteroperabilität und Szenarienvergleiche zu ermöglichen und zu (teil-)automatisieren. Dies ist ein wichtiger Schritt auf dem Weg zu einer nachvollziehbareren und reproduzierbareren Energiesystemforschung.

Die Energiesystemforschung arbeitet mit sogenannten Szenarien - das sind Modelberechnungen, die eine Prognose über die zukünftige Entwicklung von Energiesystemen ermöglichen. Mit ihnen kann man technische und wirtschaftliche Folgen von Netzausbau, Transformation des Energiesystems und klimapolitischen Entscheidungen durchspielen und je nachdem welche Daten als Grundlage gewählt werden verändern. Kern der Forschungsarbeit ist es, die verschiedenen Szenarien zu vergleichen und aufzuzeigen, welche Stellschrauben das Ergebnis entscheidend verändern.

Die Modelle, mit denen Szenarien berechnet werden, werden zunehmend komplexer, da immer mehr Aspekte berücksichtigt werden müssen und häufig sogar verschiedene Modelle kombiniert werden. Viele Szenarien aus Forschungsprojekten sind aktuell kaum miteinander vergleichbar. Sie müssen manuell und zeitaufwändig gegenübergestellt und geprüft werden. Ziel des SIROP-Projekts ist es daher, grundlegende Funktionen für Szenarieninteroperabilität herzustellen, also verschiedenen Systemen, Techniken oder Organisationen eine Zusammenarbeit zu ermöglichen.

Projekt im Forschungsportal ansehen

Mit der Einführung der CHEBI-Ontologie und dem zugehörigen Weblexikon wurde eine Struktur geschaffen, anhand derer die logischen Zusammenhänge verschiedener chemischer Substanzen und ihrer funktionalen Eigenschaften dargestellt werden können. Die Klassifizierung von Chemikalien kann anhand der verschiedensten Charakteristika erfolgen und ist ein hochgradig manueller und zeitaufwändiger Prozess. Im Zuge dieser Forschungsarbeit werden Möglichkeiten erforscht die Klassifizierung von Chemikalien zu automatisieren. Hierzu kommen nicht nur neuste Erkenntnisse und Modelle aus dem Deep Learning und insbesondere der neuro-symbolischen Integration zum Einsatz, sondern auch die reichhaltigen logischen Annotationen der CHEBI Ontologie.

Projekt im Forschungsportal ansehen

Das Forschungsvorhaben eGoⁿ stellt die Weiterentwicklung des Projekts open_eGo dar. Hier wird derzeit ein transparentes, netzebenenübergreifendes Planungsinstrument des Stromsystems zur Ermittlung volkswirtschaftlich günstiger Netzausbau-Szenarien unter Berücksichtigung alternativer Flexibilitätsoptionen entwickelt. Die geplanten Erweiterungen umfassen die Kopplung des bisherigen Stromnetzmodells mit den Sektoren Wärme, Gas und Mobilität sowie die Integration weiterer Flexibilitäten. Die Erstellung und Anwendung eines Planungsinstruments, welches die fortschreitende Sektorenkopplung abbilden kann, ermöglicht die Bestimmung eines nach Gesamtkosten optimierten Energiesystems. In diesem Sinne können sektorenübergreifende Synergien für das Energiesystem der Zukunft berücksichtigt werden.
Dementsprechend gilt es eine Vielzahl von Flexibilitätsoptionen investiv und betrieblich optimal einzusetzen. Infolge der immensen Modellierungskomplexität bedarf es der Erarbeitung innovativer Methoden zur adäquaten Reduktion der räumlichen und zeitlichen Dimension. Hierbei ist der Zielkonflikt zwischen Rechenaufwand und Modellierungsgenauigkeit zentraler Forschungsgegenstand.
Dieses Anschlussvorhaben wird weiterhin die vielversprechende Open Source und Open Data-Strategie verfolgen, um die Daten und Methoden unter einer geeigneten offenen Lizenz zur Verfügung zu stellen. Dadurch soll die spätere Verwertung durch verschiedene Interessengruppen (Netzbetreiber, Behörden, Politik, Wissenschaft etc.) explizit stimuliert werden.

Projekt im Forschungsportal ansehen

Automatische Beweissyteme haben in den vergangenen Jahren eine rasante Entwicklung durchlebt. Durch die Einbindung von Techniken des maschinellen Lernens konnten wirkungsvolle Heuristiken für die Beweisführung entwickelt werden. Dennoch führen große logische Theorien, wie sie in vielen Ontologien vorzufinden sind, oft zu Problemen. Daher erforschen wir in dieser Forschungsarbeit mögliche Ansätze des maschinellen Lernens, die es ermöglichen automatisiert jene Axiome aus einer großen Theorie auszuwählen, die gebraucht werden, um ein gegebenes Beweisziel zu erfüllen.

Projekt im Forschungsportal ansehen

Wie schafft man die Energiewende? Technische und wirtschaftliche Folgen von Netzausbau, Transformation des Energiesystems und klimapolitischen Entscheidungen werden in der Regel mithilfe sogenannter Energiesystemmodelle berechnet. Diese Modelle werden zunehmend komplexer, da immer mehr Aspekte berücksichtigt werden müssen und häufig verschiedene Modelle kombiniert werden.

Die Grundlage für solche Berechnungen sind die Eingangsdaten wie Wetterdaten und historische Entwicklungen und darauf aufbauende Annahmen für zukünftige Entwicklungen, sowohl technischer als auch wirtschaftlicher Natur. Die Ergebnisse der Berechnungen werden zusammen mit dem Input ausgewertet. Für die Qualität der Szenarien sind die Eingangsdaten, die Annahmen und deren Aufbereitung von zentraler Bedeutung. Zu ihnen zählen unter anderem die Ausbaupfade der Erneuerbaren Energien, die Nachfrageentwicklung (Stromverbrauch, Verkehrs, Gebäude- und Industrieprozesswärme) sowie Annahmen zu Investitions- und Betriebskosten, Finanzierung, Energieträger- und CO2-Zertifikatskosten. Da es sich natürlich nur um Annahmen über die zukünftige Entwicklung handelt, ist ein großes Spektrum an Varianz der Eingangsparameter möglich und notwendig. Um Untersuchungen zukünftiger Energiesysteme wissenschaftlich vergleichen zu können, ist es also sehr wichtig zu wissen, welches Energiesystemmodell verwendet wurde und welche Eingangsdaten darin verwendet wurden. Leider werden diese Werte noch zu selten vollständig publiziert.

Ziel von SzenarienDB ist die Erstellung einer öffentlich zugänglichen Datenbank auf der Szenariendaten, also alle Daten, die im Zusammenhang mit jeweils einer Szenarioberechnung stehen, zusammengefasst und veröffentlicht werden. Das beinhaltet sowohl Input- als auch Output-Daten der Berechnung. Darüber hinaus werden die Daten mit den Modellbeschreibungen verknüpft. Damit werden Transparenz und der Austausch von Szenariendaten wesentlich verbessert und ein effizienter Einsatz von öffentlichen Mitteln gefördert.

Grundlage bildet die OpenEnergyDatabase (OEDB). Die OEDB ist eine offene Datenbank für Energiesystemdaten, die seit 2015 im Rahmen der Projekte open_eGo und open_FRED entwickelt wird. Sie ist eingebunden in die zugehörige OpenEnergy Platform (OEP), eine Webplattform, die verschiedene Werkzeuge zum Austausch und zur Dokumentation von Modellen enthält.

Projekt im Forschungsportal ansehen

Für Energiesystemanalysen benötigt man einen Grundstock von konsistenten Daten, die jedoch selten als Open Data in guter Qualität vorliegen. Insbesondere Wetterdatensätze (etwa Solarstrahlung; Windgeschwindigkeiten und Windrichtung für verschiedene Höhen, Temperaturprofile und Niederschlag) sind kaum vollständig verfügbar. Die vorhandenen Daten sind zudem nicht auf die Bedürfnisse von Simulationsmodellen für fluktuierenden Erneuerbaren Energien (fEE) zugeschnitten.

Ziel von open_FRED ist es, diese Datengrundlage mit einheitlichem Standard zu schaffen und eine offene Datenbank mit relevanten Datensätzen (Kraftwerks-, Klima- und Grunddaten) zu erstellen. Diese werden dann mit Open-Source-Simulationsmodellen verknüpft, die Einspeisezeitreihen der fEE erzeugen.

Die Forschung findet in einem interdisziplinären Team aus den Bereichen Meteorologie, Energietechnik und Informatik statt. Gemeinsam sollen die Anforderungen, Annahmen und Möglichkeiten der Energiesystemanalyse mit denen von Klimamodellen zusammen gebracht werden, um einen hochwertigen, transparenten und zitierbaren Datensatz zu schaffen.

Projekt im Forschungsportal ansehen

Nach einem Austausch von Argumenten stellt sich oft die Frage nach einer Bewertung der Situation. Mittels Argumentationsgraphen kann die Struktur von argumentativen Diskursen formalisiert werden. Argumente können sich gegenseitig bestärken oder attackieren, und sie haben eine initiale Plausibilität.  In diesem Projekt werden Semantiken für solchen Argumentationsgraphen und Konvergenzeigenschaften untersucht.

Projekt im Forschungsportal ansehen

Netzebenen-übergreifendes Planungsinstrument zur Bestimmung des optimalen Netz- und Speicherausbaus in Deutschland integriert in einer OpenEnergy-Plattform

Das deutsche Stromnetz wird von über 800 verschiedenen Netzbetreibern bewirtschaftet. Die daraus resultierende Vielzahl von Interessen steht im Spannungsfeld mit den volkswirtschaftlichen Herausforderungen der Energiewende, die eine ganzheitliche Netzplanung erfordern. Es fehlt derzeit jedoch an einem geeigneten Netzplanungsinstrument, das eine volkswirtschaftlich optimale Nutzung von Flexibilitätsoptionen auf verschiedenen Ebenen berücksichtigen kann.

Die aktuellen Probleme der Netzausbauplanung, die im Zusammenhang mit der Energiewende stehen werden durch open-eGo beantwortet, wobei Ressourcen im Bereich der Energiesystemmodellierung effizient genutzt werden.

Der Bereich Energiesystemanalyse- und modellierung ist gegenwärtig von proprietärer Modellentwicklung und intransparentem Umgang mit verwendeten Eingangsdaten geprägt. In Bezug auf Forschung, die die Netzausbauplanung betrifft, führt dies zu einem Mangel an Transparenz und Partizipationsmöglichkeiten interessierter Akteure. Durch die Entwicklung der öffentlich zugänglichen virtuellen Forschungsplattform OpenEnergy-Plattform werden Transparenz, Partizipation und die Bündelung der eingesetzten Ressourcen erzielt.

Das Ziel von open_eGo ist die Erstellung eines transparenten, Netzebenen-übergreifenden Netzplanungsinstrumentes zur Ermittlung volkswirtschaftlich günstiger Netzausbau-Szenarien unter Berücksichtigung alternativer Flexibilitätsoptionen wie z.B. dem Einsatz von Speichern oder Redispatch-Maßnahmen. Die Entwicklung des Planungsinstruments erfolgt auf einer öffentlich zugänglichen virtuellen Forschungsplattform, die ebenfalls im Rahmen des Projekts entwickelt wird. Diese Forschungsplattform zielt dabei auch darauf ab, Akteuren der Energiewende einen Baustein zur Partizipation bereitzustellen

Projekt im Forschungsportal ansehen

OntoIOp hat die Entwicklung einer Meta-Sprache zum Ziel, die der modularen Spezifikation logischer Theorien und ihrer Relationen dient. Spezielles Augenmerk wird dabei auf (formale) Ontologien, Spezifikationen und Modelle und ihre zugrundeliegenden logischen Theorien gelegt. OntoIOps wesentliche Features sind:

1. Modularität von Ontologien, Modellen und Spezifikationen (OMS), inklusive deren Wiederverwendung
2. Abbildungen zwischen OMS
3. Netzwerke von OMS und ihre Kombination
4. Heterogene OMS
5. Abfragen

Für Basis-OMS werden dabei u.a. folgende Sprachen unterstützt: OWL, RDF, CASL, Common Logic and UML.
Die Ergebnisse des Projekts werden als "Distributed Ontology, Modeling and Specification Language (DOL)" bei der Object Management Group (OMG) als Standard eingereicht.
DOL wurde auf dem OMG technical meeting in La Jolla im Dezember 2015 als OMG-Standard beschlossen.

Projekt im Forschungsportal ansehen

Kreative Computer finden neue Ideen
Kombinatorische Kreativität ist die Fähigkeit, neue Ideen durch eine überraschende Kombination und Vermischung bekannter Ideen zu finden. Diese Art von Kreativität mit Computern zu realisieren oder zu simulieren ist eine große Herausforderung. Eine besondere Schwierigkeit besteht darin, Algorithmen zu entwickeln, die den Wert neu geschaffener Ideen bewerten.

In COINVENT werden wir eine formale Theorie der Begriffserfindung entwickeln, die Einsichten aus der Kognitionswissenschaft und der Künstlichen Intelligenz verbindet. Wesentlicher Bestandteil wird eine mathematische Theorie der Begriffe sein, welche als Fundament für Fauconniers und Turners Theorie der Begriffsverschmelzung (conceptual blending) dienen kann. Denn obgleich diese Art von Begriffsverschmelzung erfolgreich in der Beschreibung kombinatorischer Kreativität in diversen Bereichen angewandt wurde, ist sie wegen des Fehlens einer hinreichend präzisen mathematischen Charakterisierung kaum zur Entwicklung von kreativen Computersystemen genutzt worden.
Der zu entwickelnde Prototyp eines autonomen kreativen Computersystems wird in zwei Bereichen durch Menschen evaluiert werden, in der Mathematik und in der Musik. Die Ergebnisse des Projektes werden neue wissenschaftliche Einblicke in die Natur der Kreativität erlauben und es werden die Grundlagen für eine Fortentwicklung autonomer kreativer Computersysteme gelegt.

Projekt im Forschungsportal ansehen