ML4CPS – Machine Learning for Cyber-Physical Systems

Einreichungen erbeten

Die Beiträge können sich auf die folgenden Themen beziehen, sind aber nicht darauf beschränkt:

• Agentenbasierte KI und Multi-Agenten-Systeme für CPS: Autonome, werkzeugnutzende Agenten, die selbstständig planen, diagnostizieren und handeln, gehen über text- und multimodal ausgerichtete LLM-Agenten hinaus und eröffnen neue Möglichkeiten für einen intelligenten, selbstgesteuerten Betrieb in cyber-physischen Systemen.
• Zeitreihen-Grundmodelle: Auf Zeitreihendaten spezialisierte Grundmodelle ermöglichen neue Ansätze für vorausschauende Wartung, Anomalieerkennung und Prognosen und bewältigen dabei die besonderen Herausforderungen, die sich aus Sensor- und Prozessdaten ergeben.
• Industrielle KI: Die Integration von KI in Fertigungsprozesse kann dazu beitragen, diese zu optimieren und die betriebliche Effizienz zu steigern. Die Integration von KI in Altsysteme und die bestehende Infrastruktur bleibt jedoch eine große Herausforderung.
• Grüne KI: Die Reduzierung des Energieverbrauchs von KI-Systemen ist für industrielle und Edge-Anwendungen systemrelevant. Dieses Thema konzentriert sich auf Methoden für energieeffiziente Modelle und den Kompromiss zwischen Leistung und Ressourcenverbrauch.
• Hybride Methoden & hybride Systeme: Hybride Methoden integrieren mehrere Lern- und Modellierungstechniken, während hybride Systeme diskrete und kontinuierliche Dynamiken kombinieren und somit leistungsstarke Paradigmen für komplexe CPS und industrielle Prozesse darstellen. Methoden im Zusammenhang mit datengetriebener Modellidentifikation, Diagnose, Verifizierung und Analyse stellen die Forschungsgemeinschaft vor erhebliche Herausforderungen.
• Simulation-to-Real / Synthetische Daten: Da reale Daten für CPS oft rar oder kostspielig sind, sind der Transfer von der Simulation in die Realität und die Generierung synthetischer Daten zentrale Voraussetzungen für das Training und die Validierung robuster Modelle und ergänzen physikalisch inspirierte Ansätze.

Die Auswahl der Beiträge erfolgt auf Peer-Review-Basis und die angenommenen Beiträge werden vom Helmut Schmidt University Press (openHSU) mit einer eindeutigen DOI veröffentlicht. Beiträge mit kommerziellem Charakter werden nicht berücksichtigt. Die Länge der Beiträge sollte 10 Seiten nicht überschreiten.

• Bitte verwenden Sie die folgende Vorlage[ zip  3.02 MB ] für Ihre Einreichung.
• Die Einreichung der Beiträge erfolgt via EasyChair über diesen Link
• Alle Fragen zu den Einzelheiten und Richtlinien für die Einreichung von Beiträgen sind per E-Mail zu richten an: ml4cps_orga@hsu-hh.de