Willkommen im Computational Intelligence Lab an der Universität Oldenburg, wo wir die Forschung im Bereich der künstlichen Intelligenz (KI) vorantreiben. 

AGI: Evolutionäres kognitives Prompting zur Erweiterung der Fähigkeiten von Sprachmodellen

Ein agentenbasiertes evolutionäres System optimiert mathematische Prompts für Sprachmodelle durch schrittweise Mutation und Bewertung einer kognitiven Eingabeaufforderung. Bewertungsagenten prüfen Lösungen ohne Ground Truth, und die Evolution endet bei korrekter Antwort. Auf dem MATH500-Benchmark verbessert sich die Lösungsrate signifikant – von 15 % auf 85 % –, was das Potenzial evolutionärer Prompting-Strategien zur Steigerung der Problemlösefähigkeit kompakter Modelle wie Llama 3.2 belegt.

Veröffentlichung auf IEEE Conference on Artificial Intelligence (Santa Clara 2025)

Bioinformatik: Sequenzbasierte Vorhersage von Protein-Bindungstaschen mittels ProtT5-Embeddings und räumlichem Sampling

Protein-Ligand-Bindungstaschen lassen sich durch Sequenz-Embeddings auf Basis von ProtT5 identifizieren, trainiert mit Daten aus der PDBBind-Datenbank. Eine räumliche Sampling-Strategie erzeugt gezielt Negativbeispiele, um ein ausgewogenes Klassifikationsmodell zu ermöglichen. Klassifikationsgenauigkeiten von bis zu 0,90 werden erreicht, wobei SVM-Modelle am besten abschneiden. Eine vollautomatische Pipeline erlaubt die Erkennung von Bindungstaschen direkt aus Proteinstrukturen. Eine Fallstudie zur c-Src-Kinase zeigt den praktischen Nutzen dieser Methode für die Arzneimittelentwicklung.

Veröffentlichung auf IEEE Conference on Artificial Intelligence (Santa Clara 2025)

Evolution: Verbesserung evolutionärer Algorithmen durch Meta-Evolutionsstrategien

Eine Meta-Evolutionsstrategie passt zentrale Hyperparameter von CMA-ES, PSO und DE dynamisch an, basierend auf einem (1+1)-ES mit Rechenbergs 1/5-Regel. Jeder Optimierer variiert zwei leistungsrelevante Parameter, nutzt Restart-Mechanismen und dimensionsabhängige Budgets zur Vermeidung von Stagnation. Tests auf Benchmarkfunktionen zeigen eine starke Abhängigkeit der Leistung von der Problemstruktur: PSO überzeugt bei einfachen Funktionen, CMA-ES bei komplexeren, während DE insgesamt robuste Ergebnisse liefert. Die Methode demonstriert die Wirksamkeit von Meta-Evolution zur adaptiven Hyperparametertuning.

Veröffentlichung auf IEEE Conference on Artificial Intelligence (Santa Clara 2025)

AGI: Cognitive Prompting

Cognitive Prompting ist ein neuartiger Ansatz, um Problemlösungen in großen Sprachmodellen (LLMs) durch strukturierte, menschenähnliche kognitive Operationen wie Zielklärung, Zerlegung, Filterung, Abstraktion und Mustererkennung zu leiten. Durch systematisches, schrittweises Denken ermöglicht Cognitive Prompting LLMs, komplexe, mehrstufige Aufgaben effizienter zu bewältigen. Wir stellen drei Varianten vor: eine deterministische Abfolge kognitiver Operationen, eine selbstadaptive Variante, bei der das LLM die Sequenz der kognitiven Operationen dynamisch auswählt, und eine hybride Variante, die generierte korrekte Lösungen als Few-Shot-Chain-of-Thought-Prompts verwendet. Experimente mit den Modellen LLaMA, Gemma~2 und Qwen in jeweils zwei Größen auf dem Benchmark GSM8K für arithmetisches Denken zeigen, dass Cognitive Prompting die Leistung im Vergleich zu standardmäßigen Frage-Antwort-Verfahren erheblich verbessert.

Link zum Artikel.
Weitere Paper des CI Labs.

Covid: Evolutionäre Multi-Objektiv-Optimierung von SARS-CoV-2-Protease-Inhibitor-Kandidaten

Computergestütztes Medikamentendesign basierend auf künstlicher Intelligenz ist ein aufstrebendes Forschungsgebiet. Zum Zeitpunkt des Schreibens dieses Papers leidet die Welt unter einem Ausbruch des Coronavirus SARS-CoV-2. Ein vielversprechender Weg, die Virusreplikation zu stoppen, ist die Protease-Inhibition. Wir schlagen einen evolutionären Multi-Objektiv-Algorithmus (EMOA) vor, um potenzielle Protease-Inhibitoren für die Hauptprotease von SARS-CoV-2 zu entwerfen. Basierend auf der SELFIES-Repräsentation maximiert der EMOA die Bindung von Kandidatenliganden an das Protein mit dem Docking-Tool QuickVina 2, wobei gleichzeitig weitere Ziele wie Arzneimitteleignung oder die Erfüllung von Filterbedingungen berücksichtigt werden. Der experimentelle Teil analysiert den evolutionären Prozess und diskutiert die Inhibitor-Kandidaten.

Link zum Artikel

Bücher

Blogposts auf Towards Data Science

SPIEGEL-Podcast - Moreno+1: „Eine starke KI? Halte ich für wahrscheinlich.“

Der KI-Professor Oliver Kramer arbeitet an Algorithmen, die „menschenähnliche kognitive Leistungen“ zeigen. Er ist überzeugt, dass Maschinen intelligenter werden als Menschen. Das sollten wir bedenken.

Link zum Podcast.

Switch to English version.