Wie Entscheidungen von komplexen Regelungen verständlicher werden
Eine Arbeit der Nachwuchsforschungsgruppe MORE-KIBA der TU Chemnitz wurde auf der International Conference on Machine Learning (ICML) 2026 angenommen, einer der weltweit wichtigsten Konferenzen der KI-Forschung
-
Prof. Dr. Stefan Streif (l.), Inhaber der Professur Regelungstechnik und Systemdynamik, und Ramesh Arvind Naagarajan, Mitglied der Forschungsgruppe MORE-KIBA, freuen sich über die Annahme ihres Beitrages auf der International Conference on Machine Learning (ICML) 2026. Foto: privat -
Die Nachwuchsforschungsgruppe MORE-KIBA wird durch die Europäische Union und den Freistaat Sachsen finanziert. Grafik: Freistaat Sachsen
Die International Conference on Machine Learning (ICML) gilt als eine der wichtigsten internationalen Tagungen für Maschinelles Lernen, einem Zweig der Künstlichen Intelligenz. Die Konferenz ist äußerst kompetitiv: In diesem Jahr wurden nur 6.352 von 23.918 eingereichten Beiträgen angenommen. Unter den akzeptierten Arbeiten ist ein Beitrag der ESF PLUS-Nachwuchsforschungsgruppe „Menschenverständliches, Optimales Ressourcen- und Energiemanagement für komplexe, netzintegrierte, biogene Produktionsanlagen“ (MORE-KIBA) der Technischen Universität Chemnitz, geleitet von Prof. Dr. Stefan Streif, Inhaber der Professur Regelungstechnik und Systemdynamik.
Kausal fundierte und menschenverständliche Erklärungen für optimale, prädiktive Regelungen
Die angenommene Arbeit zum Thema „Hierarchical Causal Abduction: A Foundation Framework for Explainable Model Predictive Control" widmet sich einer zentralen Frage von MORE-KIBA. Die in der Regelungstechnik verbreitete „Modellprädiktive Regelung“ (MPC) wird in vielen Bereichen eingesetzt, in denen der Ressourcenverbrauch optimiert werden muss, etwa in Energiesystemen, in der Gebäudeklimatisierung sowie in verfahrenstechnischen oder biotechnologischen Prozessen.
„Aufgrund nichtlinearer Dynamiken der Prozesse, harter Sicherheitsrandbedingungen und der Komplexität numerischer Optimierungsverfahren sind die zeitlich-abhängigen Regelungsentscheidungen für Betreiberinnen und Betreiber häufig sehr schwer nachvollziehbar. Das reduziert massiv das Vertrauen in die Regelung und führt in der praktischen Anwendung häufig dazu, dass die Regelung abgeschaltet und auf manuellen Betrieb umgestellt wird. Das wiederum führt dann zu Effizienzverlusten und unnötigen Ressourcenverbrauch“, sagt Streif und ergänzt: „Mit Hierarchical Causal Abduction stellen wir ein Framework vor, das drei sich ergänzende Evidenzquellen kombiniert, nämlich physikbasiertes Wissen aus Wissensgraphen des zugrundeliegenden Prozessmodells, Hilfsvariablen des Optimierers sowie zeitliche kausale Abhängigkeiten. Entsprechend kombiniert können daraus verlässliche, für den Menschen interpretierbare Erklärungen für die Entscheidungen einer nichtlinearen MPC abgeleitet werden. In drei verschiedenen Anwendungen, nämlich einer Gewächshausklimatisierung, einer Heizungs- und Lüftungstechnik-Anlage für ein Wohngebäude und einem verfahrenstechnischen Prozess, sowie validiert durch Fachexpertinnen und -experten, verbessert unser Verfahren die Erklärungsgüte um 53 Prozent gegenüber anderen KI-basierten Erklärungsansätzen. Die Erklärungsgüte kann durch weitere Daten und Training weiter signifikant verbessert werden. Des Weiteren ist der Ansatz leicht auf andere Prozesse und Anwendungen, welche mittels prädiktiver Regelung optimal geregelt werden, übertragbar."
„Die Annahme des Chemnitzer Beitrags auf der ICML 2026 unterstreicht die internationale Sichtbarkeit der Forschung der Gruppe zu vertrauenswürdiger und erklärbarer KI für ingenieurwissenschaftliche Anwendungen“, so Streif abschließend.
Hintergrund: Nachwuchsforschungsgruppe MORE-KIBA
Die Nachwuchsforschungsgruppe „Menschenverständliches, Optimales Ressourcen- und Energiemanagement für komplexe, netzintegrierte, biogene Produktionsanlagen“ (MORE-KIBA) setzt an einer drängenden Frage nachhaltiger industrieller Produktion an. In Zeiten knapper Ressourcen müssen komplexe Anlagen optimal betrieben werden, doch die zugrundeliegenden mathematischen Algorithmen sind für Betreiberinnen und Betreiber oft schwer nachvollziehbar. Dadurch werden Potenziale für nachhaltigen Betrieb verschenkt oder vielversprechende Technologien gar nicht eingesetzt. Ziel von MORE-KIBA ist es, algorithmische Entscheidungen mithilfe von KI transparent und verständlich zu machen. Das Vorgehen wird am Beispiel einer Bioraffinerie demonstriert, die mit einem Energienetzsimulator gekoppelt ist. Die Anwendbarkeit wird durch die Beteiligung verschiedener Akteurinnen und Akteure aus der sächsischen Wirtschaft gesichert. Das Vorhaben wird mit mehr als 2,13 Millionen Euro durch das Programm des Europäischen Sozialfonds Plus gefördert. Am Projekt beteiligt sind sieben Nachwuchsforscherinnen und -forscher aus vier Fakultäten der TU Chemnitz.
Homepage des Projekts: www.tu-chemnitz.de/etit/control/research/CEA/index_MORE-KIBA.php
Stichwort: International Conference on Machine Learning (ICML)
Die International Conference on Machine Learning (ICML) ist die wichtigste Zusammenkunft von Expertinnen und Experten für Maschinelles Lernen, einem Zweig der Künstlichen Intelligenzforschung. Hier wird Spitzenforschung zu allen Aspekten des Maschinellen Lernens präsentiert, von Künstlicher Intelligenz, Statistik und Datenwissenschaft bis hin zu wichtigen Anwendungsfeldern wie Maschinellem Sehen, Computational Biology, Spracherkennung, Robotik und Regelungstechnik.
Link zu Preprint-Version der Publikation: https://arxiv.org/abs/2605.10624
Kontakt: Prof. Dr. Stefan Streif, Professur Regelungstechnik und Systemdynamik, Telefon +49 (0)371 531-31899, E-Mail: stefan.streif@etit.tu-chemnitz.de
Mario Steinebach
03.06.2026
