Projektbeschreibung
Komplexität im maschinellen Lernen vereinfachen
Die Modelle des maschinellen Lernens werden immer komplexer, um Fortschritte auf Gebieten wie der Gesundheitsversorgung, dem Finanzwesen und der Klimawissenschaft zu erzielen. Allerdings sind die derzeitigen Modelle ressourcenintensiv, schwierig im Zugang und schwer interpretierbar, was ihr Potenzial einschränkt. Das Team des ERC-finanzierten Projekts BeME wird sich auf die Entwicklung einfacherer, effizienterer Modelle konzentrieren, die leistungsstark bleiben und zugleich leicht verständlich sind. Mithilfe von Verfahren der statistischen Physik, der ungeordneten Systeme und der computergestützten Physik wird die Forschungsgruppe Werkzeuge entwickeln, mit denen Datenmuster aufgedeckt werden, die auch bei begrenzt verfügbaren Informationen gut funktionieren und den Trainingsaufwand reduzieren. Anwendungen in den Bereichen Neurowissenschaften, Bioinformatik und Turbulenzmodellierung werden die praktischen Auswirkungen dieser Innovationen verdeutlichen. Das vorgeschlagene Projekt zielt darauf ab, die Zukunft des maschinellen Lernens neu zu gestalten, wodurch es für ein breiteres Spektrum an Herausforderungen zugänglicher und effektiver wird.
Ziel
Machine learning is revolutionizing science and society, enabling transformative breakthroughs such as predicting protein structures, simulating many body quantum systems, and redefining entire fields like healthcare, finance, or climate modeling. Yet, this rapid progress comes at a cost: the unprecedented scale and complexity of state-of-the-art models make them resource-intensive, inaccessible, and often opaque. These challenges limit their potential, hindering our ability to understand, optimize, and deploy them responsibly. To unlock the full power of machine learning, we must reimagine its foundations.
This project challenges the 'bigger is better' paradigm in machine learning by proposing an alternative: the development of simpler, more efficient generative models that can handle the complexity of the real world while remaining analytically interpretable. Using techniques from statistical physics, disordered systems and computational physics, the project aims to uncover how these models encode patterns, address learning challenges and reduce training costs without sacrificing performance or expressiveness. Crucially, these models will be designed to extract meaningful insights from general-purpose data sets, perform reliably in data-scarce scenarios and accelerate simulations in complex systems.
By developing a new generation of inference algorithms and showcasing their effectiveness through three proof-of-concept applications in neuroscience, bioinformatics, and turbulence modeling, this research aims to significantly expand the toolbox for data-driven discovery. Beyond tackling practical challenges, it seeks to advance our fundamental understanding of unsupervised learning mechanisms while prioritizing sustainability, transparency, and inclusivity. This project reimagines machine learning as a responsible and accessible tool to drive scientific and societal progress.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: Das European Science Vocabulary.
Die Klassifikation dieses Projekts wurde von Menschen validiert.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: Das European Science Vocabulary.
Die Klassifikation dieses Projekts wurde von Menschen validiert.
- Naturwissenschaften Informatik und Informationswissenschaften künstliche Intelligenz maschinelles Lernen unüberwachtes Lernen
- Naturwissenschaften Informatik und Informationswissenschaften künstliche Intelligenz generative künstliche Intelligenz
- Naturwissenschaften Naturwissenschaften klassische Mechanik statistische Mechanik
- Naturwissenschaften Informatik und Informationswissenschaften künstliche Intelligenz maschinelles Lernen Deep Learning
Schlüsselbegriffe
Schlüsselbegriffe des Projekts, wie vom Projektkoordinator angegeben. Nicht zu verwechseln mit der EuroSciVoc-Taxonomie (Wissenschaftliches Gebiet).
Schlüsselbegriffe des Projekts, wie vom Projektkoordinator angegeben. Nicht zu verwechseln mit der EuroSciVoc-Taxonomie (Wissenschaftliches Gebiet).
Programm/Programme
Mehrjährige Finanzierungsprogramme, in denen die Prioritäten der EU für Forschung und Innovation festgelegt sind.
Mehrjährige Finanzierungsprogramme, in denen die Prioritäten der EU für Forschung und Innovation festgelegt sind.
-
HORIZON.1.1 - European Research Council (ERC)
HAUPTPROGRAMM
Alle im Rahmen dieses Programms finanzierten Projekte anzeigen
Thema/Themen
Aufforderungen zur Einreichung von Vorschlägen sind nach Themen gegliedert. Ein Thema definiert einen bestimmten Bereich oder ein Gebiet, zu dem Vorschläge eingereicht werden können. Die Beschreibung eines Themas umfasst seinen spezifischen Umfang und die erwarteten Auswirkungen des finanzierten Projekts.
Aufforderungen zur Einreichung von Vorschlägen sind nach Themen gegliedert. Ein Thema definiert einen bestimmten Bereich oder ein Gebiet, zu dem Vorschläge eingereicht werden können. Die Beschreibung eines Themas umfasst seinen spezifischen Umfang und die erwarteten Auswirkungen des finanzierten Projekts.
Finanzierungsplan
Finanzierungsregelung (oder „Art der Maßnahme“) innerhalb eines Programms mit gemeinsamen Merkmalen. Sieht folgendes vor: den Umfang der finanzierten Maßnahmen, den Erstattungssatz, spezifische Bewertungskriterien für die Finanzierung und die Verwendung vereinfachter Kostenformen wie Pauschalbeträge.
Finanzierungsregelung (oder „Art der Maßnahme“) innerhalb eines Programms mit gemeinsamen Merkmalen. Sieht folgendes vor: den Umfang der finanzierten Maßnahmen, den Erstattungssatz, spezifische Bewertungskriterien für die Finanzierung und die Verwendung vereinfachter Kostenformen wie Pauschalbeträge.
HORIZON-ERC - HORIZON ERC Grants
Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen
Aufforderung zur Vorschlagseinreichung
Verfahren zur Aufforderung zur Einreichung von Projektvorschlägen mit dem Ziel, eine EU-Finanzierung zu erhalten.
Verfahren zur Aufforderung zur Einreichung von Projektvorschlägen mit dem Ziel, eine EU-Finanzierung zu erhalten.
(öffnet in neuem Fenster) ERC-2025-COG
Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigenGastgebende Einrichtung
Finanzieller Nettobeitrag der EU. Der Geldbetrag, den der Beteiligte erhält, abzüglich des EU-Beitrags an mit ihm verbundene Dritte. Berücksichtigt die Aufteilung des EU-Finanzbeitrags zwischen den direkten Begünstigten des Projekts und anderen Arten von Beteiligten, wie z. B. Dritten.
28040 MADRID
Spanien
Die Gesamtkosten, die dieser Organisation durch die Beteiligung am Projekt entstanden sind, einschließlich der direkten und indirekten Kosten. Dieser Betrag ist Teil des Gesamtbudgets des Projekts.