Seoul/Salzburg/Puch-Urstein (OTS) – Ein wissenschaftlicher
Meilenstein ist einem Forschungsteam der FH
Salzburg gelungen: Mit einer ausgezeichneten Forschungsarbeit waren
sie auf der International Conference on Machine Learning (ICML) 2026
vertreten – einer der weltweit renommiertesten Konferenzen im Bereich
Künstliche Intelligenz und Machine Learning.
Zwtl.: Forschung aus Salzburg in den Top 2,2 Prozent weltweit
Mit rund 24.000 eingereichten wissenschaftlichen Arbeiten und
mehr als 20.000 Teilnehmer*innen zählt die ICML zu den wichtigsten
internationalen Foren für KI-Forschung. Nur rund ein Viertel der
Einreichungen wurde überhaupt zur Präsentation angenommen. Dass die
Forschungsgruppe des Josef Ressel Zentrums für Intelligente und
Sichere Industrieautomatisierung (JRZ ISIA) darüber hinaus einen
Spotlight-Vortrag erhielt und damit zu den Top 2,2 % aller
Einreichungen gehörte, unterstreicht die außergewöhnliche
wissenschaftliche Qualität der Arbeit.
Für die FH Salzburg und insbesondere das Department Information
Technologies and Digitalisation markiert dieser Erfolg einen
Meilenstein: Er zeigt, dass exzellente Grundlagenforschung auch an
einer vergleichsweise kleinen Forschungsgruppe internationale
Sichtbarkeit und höchste wissenschaftliche Anerkennung erreichen
kann.
Zwtl.: Vier Jahre Aufbauarbeit
Der Erfolg ist das Ergebnis langfristiger wissenschaftlicher
Arbeit. Hinter dem ausgezeichneten Paper stehen vier Jahre
konsequenter Aufbau des JRZ ISIA sowie eineinhalb Jahre intensive
Forschung an genau dieser Fragestellung. Im Mittelpunkt steht ein
Problem aus dem Bereich des Reinforcement Learning (RL) – jener
Disziplin der Künstlichen Intelligenz, in der lernende Systeme
selbstständig Strategien entwickeln, indem sie aus Erfolg und
Misserfolg lernen. Reinforcement Learning bildet heute die Grundlage
zahlreicher Anwendungen – von autonomen Fahrzeugen über Robotik bis
hin zu Energieoptimierung oder intelligenten Assistenzsystemen.
Dem Forschungsteam gelang es, ein 36 Jahre ungelöstes
mathematisches Problem rund um den bekannten RL-Benchmark „Mountain
Car“ zu lösen. Auf dieser Grundlage entwickelte das Team eine neue
Klasse von Reinforcement-Learning-Policies auf Basis
mehrdimensionaler Chebyshev-Polynome, die den bisherigen Stand der
Technik deutlich übertrifft.
Ein weiterer wesentlicher Beitrag besteht darin, dass erstmals
die optimale Lösung dieses Benchmark-Problems exakt bestimmt werden
konnte. Dadurch lassen sich bestehende RL-Verfahren erstmals objektiv
hinsichtlich ihres tatsächlichen Abstands zur optimalen Lösung
bewerten – ein wichtiger Schritt für die Weiterentwicklung der
gesamten Forschungsdisziplin.
Zwtl.: Grundlagenforschung mit direktem Nutzen für die Industrie
Die wissenschaftlichen Erkenntnisse bleiben nicht auf
theoretischer Ebene. Sie bilden zugleich die Grundlage einer
gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen
Ansteuerung von Elektromotoren. Damit zeigt sich beispielhaft, wie
Grundlagenforschung unmittelbar den Weg in industrielle Anwendungen
findet.
FH-Rektor Dominik Engel würdigt diesen Erfolg: „Ein 36 Jahre
offenes Problem zu lösen, daraus eine neue Klasse von Reinforcement-
Learning-Policies abzuleiten und nebenbei den State of the Art zu
schlagen, ist ein echter Durchbruch. Dass dieser Durchbruch direkt
die Basis für die Patentanmeldung mit B&R/ABB bildet, zeigt
eindrucksvoll, was das JRZ-Modell leisten kann, wenn
Grundlagenforschung und industrielle Anwendung wirklich
ineinandergreifen.“
Zwtl.: Ein wichtiger Schritt für die KI-Forschung
Reinforcement Learning ermöglicht es intelligenten Systemen,
komplexe Entscheidungen selbstständig zu erlernen – beispielsweise
für autonome Fahrzeuge, Robotik, Energiesysteme oder moderne KI-
Assistenten. Bislang war jedoch bei vielen Standardproblemen gar
nicht bekannt, wie weit bestehende Verfahren tatsächlich von der
optimalen Lösung entfernt sind. Erst durch die nun gefundene exakte
Lösung lässt sich diese Frage wissenschaftlich beantworten.
Darüber hinaus zeigt die neue Forschung, dass geeignete
mathematische Modelle – in diesem Fall Chebyshev-Polynome –
neuronalen Netzen in bestimmten Anwendungen deutlich überlegen sein
können. Das entwickelte Verfahren reduziert den Abstand zur optimalen
Lösung um den Faktor sechs und eröffnet damit neue Perspektiven für
zukünftige Reinforcement-Learning-Verfahren.
Stefan Huber , Leiter des Josef-Ressel-Zentrums ISIA: „Unser Ziel
war nie nur, einen bestehenden Algorithmus ein wenig zu verbessern.
Wir wollten verstehen, wie weit heutige Reinforcement-Learning-
Verfahren tatsächlich von der optimalen Lösung entfernt sind. Dass
daraus die Lösung eines seit 36 Jahren offenen Problems entstanden
ist und die Ergebnisse gleichzeitig in industrielle Anwendungen
einfließen können, zeigt, welches Potenzial in langfristiger
Grundlagenforschung steckt.“
Zwtl.: Hybride KI-Systeme der Zukunft
Aktuell arbeitet das Forschungsteam rund um Stefan Huber bereits
an der nächsten Generation dieser Methoden: Ziel ist es, die Vorteile
der neuen mathematischen Ansätze mit den Stärken neuronaler Netze zu
hybriden Verfahren zu verbinden und so auch hochdimensionale
Anwendungen wie humanoide Robotik effizient zu lösen.
Mit dem Auftritt auf der ICML 2026 hat das Department Information
Technologies eindrucksvoll gezeigt, dass Forschung an der FH Salzburg
international sichtbar ist und wissenschaftliche Beiträge liefern
kann, die weit über die Hochschulgrenzen hinaus Wirkung entfalten.
Bild(er) zu dieser Aussendung finden Sie unter http://bild.ots.at
