Das ZIB ist ein außeruniversitäres Forschungsinstitut des Landes Berlin mit Schwerpunkten in angewandter Mathematik, wissenschaftlichem Rechnen und datengetriebenen Methoden. Das IOL Lab am ZIB arbeitet an der Schnittstelle von mathematischer Optimierung und Machine Learning mit dem Ziel, algorithmische Grundlagen zu entwickeln, die Lernen und Optimierung systematisch zusammenführen.

Wir sind eng vernetzt mit dem Berlin Mathematics Research Center MATH+, der Berlin Mathematical School (BMS) sowie dem Forschungscampus MODAL und pflegen darüber hinaus intensive Kooperationen mit führenden Industriepartnern wie Google im Bereich Large-scale Machine Learning Systems und Optimierung.

Konkret befasst sich das IOL Lab mit der Entwicklung skalierbarer Optimierungsalgorithmen für ML, der Anwendung von ML-Methoden zur Lösung komplexer Optimierungsprobleme sowie der Anwendung von AI-Methoden in den Wissenschaften (AI4Science / AI4Math).

Unsere Forschung reicht von theoretischen Arbeiten, wie der Weiterentwicklung von Frank-Wolfe-Algorithmen, bis hin zu anwendungsorientierten Projekten wie der AI-basierten Waldökosystemüberwachung (“AI4Forest”) oder der Optimierung großer Energienetze. Ein besonderer Fokus liegt dabei auf der Effizienz: Wir entwickeln Methoden, die Training und Inferenz von AI-Modellen beschleunigen und ressourcenschonender gestalten.

Dabei handelt es sich um Themen, die angesichts des wachsenden Energiebedarfs großer AI-Modelle von höchster Relevanz sind.

In unserer Forschungsarbeit beobachten wir zurzeit einen Paradigmenwechsel: Methoden der Künstlichen Intelligenz entwickeln sich von reinen Forschungsgegenständen zu essenziellen Werkzeugen des mathematischen Erkenntnisprozesses.

Dieser Wandel lässt sich in drei Stufen gliedern:

1. Die Nutzung von Large Language Models (LLMs) zur Ideenentwicklung, Code-Generierung und als Assistenzsystem – ein Ansatz, der bereits in vielen Forschungsgruppen (auch in unserer) breite Anwendung findet und zum täglichen Arbeitsstandard gehört.
2. Der Einsatz von Optimierungs- und AI-Methoden, um gezielt mathematische Strukturen, Beispiele oder Gegenbeispiele zu erzeugen, die Forschern als Inspiration für formale Beweise dienen. Diese Stufe ist noch sehr neu und wenig erforscht.Wir konnten hier z. B. mit der AI-gestützten Verbesserung der Schranken für das Hadwiger-Nelson-Problem erste signifikante Erfolge erzielen und erproben aktuell einen ähnlichen AI-Ansatz im Rahmen des “Neural Algebraic Curves” MATH+-Projekts.
3. Die Entwicklung autonomer Agenten-Systeme, in denen LLMs eigenständig Lösungsstrategien entwerfen, diese durch Interaktion mit Computer-Algebra-Systemen und numerischen Experimenten validieren und iterativ verfeinern.

Diese Stufe ist “bleeding edge” mit vereinzelten frühen prototypischen Implementierungen und zurzeit noch mit erheblichen Unwägbarkeiten und notwendiger Forschung verbunden. Erste Prototypen solcher Systeme werden auch bei uns entwickelt, getestet und in unserer Forschung als Werkzeug eingesetzt.

Vor diesem Hintergrund möchten wir den Workshop nutzen, um insbesondere die fortgeschrittenen Stufen (2) und (3) methodisch zu vertiefen. Ziel ist es, über die bloße Anwendung hinaus eine kohärente Forschungsstrategie zu entwickeln, die diese neuen Werkzeuge systematisch in Forschungstätigkeiten in der Mathematik und darüber hinaus integriert und die Innovationskraft nachhaltig stärkt.

Please note: This is just an information regarding events taking place at SSC; public attendance is therefore not possible due to the character of the retreat.