Mit dem von der Wissenschaftspreis der Gisela und Erwin Sick Stiftung werden sowohl grundlagenorientierte als auch anwendungsorientierte Arbeiten ausgezeichnet, die dem KCIST-Forschungsbereich zugeordnet werden können. Der Preis für die beste Dissertation ist mit 7.000 € dotiert, die beste Abschussarbeit mit 3.000 €. Beide Preise werden jährlich von KCIST in Kooperation mit der KIT-Stiftung vergeben.

Wir sind stolz darauf, die diesjährigen Gewinner des Wissenschaftspreises bekannt zu geben. Auch diesmal teilten sich zwei Gewinner den Preis für die beste Abschlussarbeit 2020:

Beste Dissertation 2020 Dr. Andreas Kuhnle "Adaptive Order Dispatching based on Reinforcement Learning"
Beste Abschlussarbeit 2020 Peter Koepernik "Consistency of Nearest Neighbour and Gaussian Process Regression"
Beste Abschlussarbeit 2020 Lukas Rapp "Analyse von Produkt- und Staircase-Codes für die Datenübertragung über Kanäle mit Fehlern und Auslöschungen"

Wir gratulieren den Gewinnern ganz herzlich und bedanken uns bei allen anderen für die Teilnahme!

 

Über die Gewinner und ihre Arbeiten

Dr. Andreas Kuhnle, Dissertation "Adaptive Order Dispatching based on Reinforcement Learning", Fakultät für Maschinenbau, Hauptreferent: Prof. Dr.-Ing. Gisela Lanza, Institut für Produktionstechnik (wbk).

Kurze Zusammenfassung:

Produktionssysteme tendieren durch die Marktanforderungen getrieben zu kleineren Losgrößen und höherer Produktvielfalt und stellen so bestehende Steuerungsmethoden in Frage. Im Zuge der Digitalisierung bieten lernende Algorithmen (z.B. Reinforcement Learning, RL) einen neuen Ansatz zur Optimierung. Im Bereich der Produktionssteuerung haben sich jedoch bisher nur wenige Autoren damit befasst. Motiviert durch die Herausforderungen der komplexen Halbleiterfertigung schließt die Arbeit von Dr. Kuhnle diese Forschungslücke. Die Arbeit untersucht die RL-Modellierung in Bezug auf Zustand, Aktion und Belohnungsfunktion in sehr umfassenden Experimenten. Die Ergebnisse werden anhand von realen Halbleiter-Produktionsszenarien analysiert und zeigen, dass RL autonom Steuerungsstrategien erlernen und etablierte Benchmarks übertreffen kann. Damit stellt die Arbeit einen wesentlichen Beitrag in Richtung selbstoptimierender, autonomer Produktionssysteme. Darüber hinaus zeigt die Arbeit, dass (Produktions-) Techniker das Potenzial datenbasierter, lernender Verfahren für ihre Anwendung in Betracht ziehen müssen, um in Bezug auf Flexibilität in einer Welt, die sich immer schneller neuen Herausforderungen gegenübersteht, wettbewerbsfähig zu bleiben.

 

Peter Koepernik, Bachelorarbeit "Consistency of Nearest Neighbour and Gaussian Process Regression", Fakultät für Informatik, Hauptreferent: Prof. Dr.-Ing. Uwe D. Hanebeck, Intelligent Sensor-Actuator-Systems (ISAS).

Kurze Zusammenfassung:

Das grundlegende Konzept, das fast jeder Aufgabe im Bereich der künstlichen Intelligenz zugrunde liegt ist die Regression: Die Vorhersage der Bewertung einer Funktion auf der Grundlage unbeobachteter Eingaben und einer Reihe von Trainingsdaten. Im Fall der Bildklassifizierung wäre dies zum Beispiel eine binäre Funktion, die einen Vektor von RGB-Werten als Eingabe erhält. In seiner Arbeit beweist Herr Koepernik die Konsistenz der Nächste-Nachbarn-Regression und Gaußprozess-Regression. Zwei der wenigen bekannten Methoden, die in solchen Fällen anwendbar sind - für den Fall, dass die erklärenden Variablen Werte in abstrakten metrischen Räumen annehmen. Bislang gab es nur wenige bzw. keine derartigen Beweise, was diesen Beitrag zu einer wichtigen Ergänzung der umfangreichen empirischen Forschung zu diesem Thema macht und für zahlreiche reale Anwendungen von grundlegender Bedeutung ist.

 

Lukas Rapp, Bachelorarbeit "Analyse von Produkt- und Staircase-Codes für die Datenübertragung über Kanäle mit Fehlern und Auslöschungen", Fakultät für Elektrotechnik und Informationstechnik, Hauptreferent: Prof. Dr.-Ing. Laurent Schmalen, Communications Engineering Lab (CEL).

Kurze Zusammenfassung:

Gegenstand der Bachelorarbeit von Herrn Rapp sind neuartige Ansätze zur Decodierung von fehlerkorrigierenden Codes, wie sie in der Glasfaser-Kommunikation eingesetzt werden. Ein Großteil des Energieverbrauchs im Glasfasernetz wird zur Fehlerkorrektur in den Empfangsmodulen verwendet. Heutzutage werden dort vorwiegend sogenannte Produkt- und Staircase-Codes verwendet. Für diese existieren aufwandsarme Decoder, die aber in der Anzahl korrigierbarer Fehler beschränkt sind.
In der Arbeit entwickelt er ein mathematisches Modell, welches diesen Decoder analytisch beschreibt und zur effizienten Parameteroptimierung der Codes verwendet werden kann. Kern der Arbeit ist die Entwicklung einer innovativen kombinatorischen Beschreibung des neuen Decoders, da bestehende Ansätze nicht direkt übertragen werden konnten.

Gewinner des Wissenschaftspreises 2020

Dr. Andreas Kuhnle

Peter Koepernik

Lukas Rapp


 

 

Gisela und Erwin Sick Stiftung

Die Gisela und Erwin Sick Stiftung wurde 2002 von Gisela Sick, der Witwe von Dr.-Ing. e. h. Erwin Sick, dem Gründer der SICK AG, ins Leben gerufen. Das Förderspektrum der Stiftung mit Sitz in Freiburg umfasst die Bereiche Jugend und Erziehung, Bildung, Berufsbildung sowie Wissenschaft und Forschung. In Anerkennung des Lebenswerks ihres verstorbenen Mannes, ein Erfinder und Pionier auf dem Gebiet der Opto-Elektronik, legt Gisela Sick bei ihren Stiftungsaktivitäten einen besonderen Schwerpunkt auf Naturwissenschaften und Technik mit dem Ziel, einen Beitrag zur Sicherung des Technologie- und Zukunftsstandortes Deutschland zu leisten.

Zur Förderung des Nachwuchses in den MINT-Wissenschaftsbereichen schreibt die Stiftung unter anderem Förderpreise an den Technischen Universitäten in Hamburg, Dresden und Karlsruhe, an den Hochschulen Offenburg, Furtwangen und Konstanz sowie an den Dualen Hochschulen Villingen-Schwenningen und Lörrach aus. Darüber hinaus vergibt die Stiftung Deutschlandstipendien.