Stefanie Jegelka

Maschinelles Lernen

Ob es um neue Antibiotika oder einen Wirkstoff gegen Viren geht: Wir sind ständig auf der Suche nach neuen Medikamenten. Mithilfe von Künstlicher Intelligenz könnte die Medikamentenforschung billiger und schneller vonstattengehen, da Wirkstoffkombinationen am Computer konzipiert werden könnten. Dafür müssen allerdings künstliche neuronale Netze in der Lage sein, wirklich zuverlässige Voraussagen über die Eigenschaften von bestimmten Molekülen, Wirkstoffkombinationen und deren Nebenwirkungen zu treffen.

Das Problem: Chemische Moleküle gehören wie auch soziale Netzwerke, Finanzmärkte oder Landkarten zu jenen Gegebenheiten der natürlichen Welt, die in der Informatik durch Graphen erfasst werden. Der Datentypus Graph stellt für das Maschinelle Lernen eine Herausforderung dar. Denn ein Graph besteht aus mehreren Punkten, Knoten oder Vertices. Diese stehen über Ecken oder Kanten miteinander in Verbindung und bilden Paare. Die Verbindungen sind dabei genauso wichtig wie die einzelnen Daten selbst, damit Aussagen über Eigenschaften der jeweiligen Entitäten getroffen werden können. So wie die Eigenschaften eines Moleküls eher durch die Art der Anordnung und Bindung der einzelnen Atome als allein durch diese selbst bestimmt werden.

Künstliche Neuronale Netze, die Graphen verarbeiten, heißen Graph Neural Networks (GNNs). Bisher hatte man unzulänglich verstanden, wie diese trainiert werden müssen, damit sie im Idealfall in der Lage sind, jenseits des gelernten Datensatzes auch zu verlässlichen Ergebnissen zu kommen, wenn es um die Beurteilung von unbekannten Daten geht. Stefanie Jegelka hat neben anderen herausragenden Arbeiten zu Fragen des Maschinellen Lernens entscheidende Beiträge geliefert, um Graph Neural Networks zu optimieren. Ihre theoretischen Überlegungen trugen zur Verbesserung der Architektur von GNNs bei, sie forschte zu der Frage, in welcher Form die Daten der Maschine präsentiert werden müssen, wie den Netzwerken beigebracht werden kann, Verbindungen richtig zu gewichten und was eigentlich im Inneren, in der Black Box des Netzes vor sich geht. Dank dieser Grundlagen können die Aussagen von GNNs robuster, nachvollziehbarer und verlässlicher werden.

An der TU München soll Stefanie Jegelka als Professorin für „Foundations of Deep Neural Networks“ den Bereich Machine Learning stärken. Ziele ihrer Arbeit sollen ein verbessertes theoretisches Verständnis von Machine Learning und die Entwicklung effizienter Algorithmen und vertrauenswürdiger Machine Learning-Tools sein.

Zur Person

Professorin Dr. Stefanie Jegelka schloss ihr Studium der Bioinformatik an der Universität Tübingen, Deutschland, 2007 mit Diplom ab. 2012 wurde sie an der Universität Tübingen und an der ETH Zürich, Schweiz, im Fach Informatik promoviert. Als Postdoktorandin forschte sie zwischen 2012 und 2014 am Department of Electrical Engineering and Computer Science an der University of California, Berkeley, USA. Seit 2019 hat sie die X-Consortium Career Development Associate Professur inne am Department of Electrical Engineering and Computer Science des Massachusetts Institute of Technology, Cambridge, USA, nachdem sie dort vier Jahre lang als Assistant Professor gelehrt und geforscht hat. Sie hat sich am MIT für den wissenschaftlichen Nachwuchs und Diversität eingesetzt, was sie auch an der TUM weiter verfolgen will. Stefanie Jegelka ist u.a. Trägerin des Deutschen Mustererkennungspreises, des Google Faculty Research Award, des Sloan Research Fellowship und des Two Sigma Faculty Research Awards.

Fotos und Filme