ML4CPS – Machine Learning for Cyber-Physical Systems

Einreichungen erbeten

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

• LLM-Agenten für CPS: Große multimodale Modelle für Text, Bilder und Zeitreihendaten bieten neue Möglichkeiten für industrielle Anwendungen. Sie können neue Möglichkeiten für intelligente Automatisierung und die Steigerung der Gesamtleistung und Funktionalität cyber-physischer Systeme eröffnen.
• Physik-inspiriertes ML: Vorwissen kann durch die Netzwerkarchitektur, zusätzliche Daten aus Simulationen oder durch Auferlegung von Beschränkungen für die Verlustfunktion in das neuronale Netzwerk integriert werden. Dies kann für den Aufbau robuster und zuverlässiger neuronaler Netze von entscheidender Bedeutung sein.
• Industrielle KI: Die Integration von KI in Fertigungsprozesse kann zu deren Optimierung und zur Steigerung der betrieblichen Effizienz beitragen. Die Integration von KI in Altsysteme und bestehende Infrastrukturen stellt jedoch nach wie vor eine große Herausforderung dar.
• Grüne KI: Die Reduzierung des Energieverbrauchs von KI-Systemen ist für industrielle und Edge-Anwendungen von entscheidender Bedeutung. Dieser Themenbereich konzentriert sich auf Methoden für energieeffiziente Modelle und den Kompromiss zwischen Leistung und Ressourcennutzung.
• Hybride Methoden und 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 datengesteuerter Modellidentifikation, Diagnose, Verifizierung und Analyse sind relevante Herausforderungen für die Community.

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 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