Schlagwort: FIAS

Verlauf von Grippe-Infektionen vorhersagen

Grippe Infektion und Künstliche Intelligenz

Wenige Tropfen Blut könnten ausreichen, um den Verlauf einer Grippeerkrankung vorherzusagen. Das legt eine Studie des Teams um Esteban Hernandez-Vargas am Frankfurt Institute for Advanced Sciences (FIAS) nahe, gemeinsam mit Infektiologen des Helmholtz-Zentrums für Infektionsforschung (HZI) in Braunschweig und dem Universitätsklinikum Magdeburg.

An echter Grippe (Influenza) erkranken jedes Jahr weltweit bis zu 5 Millionen Menschen. Viele von ihnen sterben. Daher ist es wichtig, die Viruslast in der Lunge und die Immunreaktionen der Patienten auf das Virus im Auge zu behalten.

Herkömmliche Methoden nutzen beispielsweise die Bestimmung viraler Antigene1 oder von Entzündungsmarkern aus Abstrichen der Atemwege. Sie sind nicht sehr empfindlich, dafür aber recht aufwendig.

Die größte Hürde ist die Probenahme in der Lunge, die für akut infizierte Patienten riskant ist. Eine nicht-invasive Methode2 zur Vorhersage des Verlaufs einer Grippe wäre daher eine Erleichterung. Ein Ansatzpunkt ist die veränderte Zusammensetzung von Blutzellen im Verlauf der Grippeerkrankung. Solche Blutwerte sind einfach und schnell zu gewinnen und bereits Routine in der Diagnose und Patientenversorgung.

Die Gruppe von Hernandez-Vargas setzte nun verschiedene Machine-Learning-Modelle3 ein, um diagnostische Daten aus Blut- und Lungen-Proben zu bewerten, die im Verlauf einer Grippeinfektion in Mäusen gewonnen wurden. Sie nutzten Machine-Learning-Algorithmen, die mehrere Schichten an Informationen verarbeiten können.

So können sie die Viruslast und die Immunreaktion in der Lunge (Zytokine4 und Leukozyten5) aus Blutwerten vorhersagen. Umfangreiche Daten für das Training und die anschließende praktische Überprüfung der Modelle stammen aus Infektionsexperimenten in Mäusen am HZI.

„Wir konnten zudem zeigen, dass bestimmte weiße Blutkörperchen (neutrophile Granulozyten) sowie Blutplättchen (Thrombozyten) eine entscheidende Rolle bei der Vorhersage des Infektionsverlaufs in der Lunge spielen und stark an der Immunantwort gegen Grippeviren beteiligt sind“, erklärt Herr Dr. Esteban Hernandez-Vargas.

Die Methode ebnet den Weg zur besseren klinischen Überwachung von Grippe-Infektionen und möglicherweise auch anderen Atemwegsinfektionen auf der Grundlage von Blutwerten. „Eines Tages sind diese Vorhersagen hoffentlich präzise genug für eine wertvolle Hilfestellung zur weiteren Behandlung von Patienten“, so FIAS-Doktorand Suneet Jhutty, einer der beiden Erstautoren der Studie.

Künftig könnte möglicherweise jedes Routine-Blutbild auch eine Einschätzung zum Zustand in der Lunge und damit Hinweise auf den Verlauf von Infektionskrankheiten liefern.

Die Studie lässt sich noch nicht vollständig auf den Menschen übertragen, etwa weil anders als im zugrunde liegenden Tierversuch Menschen sich mehr als einmal mit Grippe infizieren können, was den Verlauf der Infektion und die Immunantwort auf das Grippevirus erheblich beeinflusst. Weitere Studien sollen klären, wie im Modell die genetische Vielfalt der Patienten nachgeahmt werden kann.

Jüngste Untersuchungen des Teams weisen darauf hin, dass auch die Diagnose von COVID-19 aus dem Blut möglich sein könnte.


1 Das Virus wird anhand bestimmter Eiweiße (sog. Antigene) nachgewiesen. Die Funktionsweise eines Antigen-Tests ist ähnlich wie bei einem Schwangerschaftstest.

2 Mit „nicht invasiv“ sind Untersuchungen und Behandlungen gemeint, bei denen kein Gewebe verletzt wird und die nötigen Instrumente nicht in den Körper eingeführt werden.

3 Machine Learning (Maschinelles Lernen) ist eine Anwendung der künstlichen Intelligenz (KI). IT-Systeme lernen automatisch Muster und Zusammenhänge aus Daten und verbessern sich, ohne explizit programmiert zu sein. Ein Machine Learning-Modell ist eine Datei, die darauf trainiert wurde, bestimmte Arten von Mustern zu erkennen. Sie trainieren ein Modell anhand von Daten, indem Sie einen Algorithmus bereitstellen, mit dem diese Daten analysiert und zum Lernen verwendet werden können.

4 Zytokine, sind körpereigene Eiweiße, die sich für einen wesentlichen Teil der Zellsteuerung verantwortlich zeigen. Die Tragweite ihres Potenzials steht bis heute nicht fest.

5 Leukozyten sind Blutzellen, die im Gegensatz zu roten Blutkörperchen (Erythrozyten) keinen roten Blutfarbstoff enthalten. Sie erscheinen deshalb „weiß“ beziehungsweise farbarm. Man nennt sie daher auch weiße Blutkörperchen. Die Hauptaufgabe der Leukozyten ist die Abwehr von Krankheitserregern.


Das FIAS (Frankfurt Institute for Advanced Studies)
ist eine interdisziplinäre Forschungseinrichtung in Frankfurt am Main. Hier entwickeln international ausgewiesene Wissenschaftlerinnen und Wissenschaftler Theorien zu komplexen naturwissenschaftlichen Zukunftsthemen in den Bereichen theoretische Naturwissenschaften, Computerwissenschaften und KI-Systeme sowie Lebens- und Neurowissenschaften. Über die Grenzen der Disziplinen hinweg erforschen sie mithilfe mathematischer Algorithmen und Simulationen die komplexen selbstorganisierenden Systeme der Natur. Das FIAS ist eine gemeinnützige Stiftung zwischen der Goethe-Universität und privaten Stiftern und Sponsoren. https://fias.institute/

Teile diesen Beitrag mit Freunden

Hannah Elfner zum Senior Fellow ernannt

Hannah Elfner

FIAS beruft theoretische Physikerin als erste Frau und jüngstes Mitglied.

Pünktlich zum 40. Geburtstag „Senior“ zu werden, klingt erst mal nicht so schmeichelhaft. Und dennoch ist die Ernennung von Prof. Dr. Hannah Elfner zum Senior Fellow am Frankfurt Institute for Advanced Studies (FIAS) eine Auszeichnung.

Sie ist damit die erste Frau, die es im theoretischen Forschungsinstitut in diese höchste Kategorie geschafft hat – vergleichbar einer W3-Professur an der Universität. Die Senior Fellows, aktuell 12 an der Zahl, bilden die FIAS Faculty, beraten das unabhängige Forschungsinstitut, leiten die Forschungsgruppen und ernennen die Fellows.

Schon der vorige runde Geburtstag bescherte Frau Elfner eine verdiente Beförderung: Mit 30 Jahren wurde sie zu einer der jüngsten Physik-Professorinnen Deutschlands ernannt – zumindest in der theoretischen Physik noch eine Ausnahme. „Mich fasziniert, wie die kleinsten Bausteine unserer Welt funktionieren – das will ich verstehen,“ so Frau Elfner.

Sie beschäftigt sich mit einem Materiezustand, wie er im frühen Universum nur Mikrosekunden nach dem Urknall existierte. „Danach verwandelten sich die kleinsten und freien Bestandteile der Materie, das Quark-Gluon-Plasma, in die heutigen Bausteine der Materie, die Protonen und Neutronen“.

In energieintensiven Teilchenbeschleunigern lässt sich dies nachahmen, indem Atomkerne aus Blei oder Gold auf nahezu Lichtgeschwindigkeit beschleunigt werden, sodass bei ihrer Kollision miteinander Temperaturen und Dichten entstehen, wie sie kurz nach dem Urknall existiert haben.

Frau Elfner beschreibt diese Vorgänge in mathematischen Modellen: Sie berechnet die zeitliche Entwicklung der mikroskopischen Schwerionenkollisionen und gleicht verschiedene Annahmen für die Eigenschaften der Materie mit experimentellen Daten ab.

Aktuell 16 Wissenschaftler ihrer Gruppe forschen in 7 nationalen und internationalen Kooperationen. So versuchen sie im Cluster-Projekt ELEMENTS mit Kollegen aus Darmstadt zu verstehen, wie die Eigenschaften von Materie bei hohen Dichten aus Schwerionenkollisionen bestimmt werden können, um die astrophysikalischen Prozesse beim Verschmelzen von Neutronensternen aufzuklären.

Frau Elfner engagiert sich sehr für den wissenschaftlichen Nachwuchs. So hat sie bereits fast 40 Nachwuchswissenschaftler erfolgreich zum wissenschaftlichen Abschluss begleitet. Neben der Ausbildung von Studierenden und Promovierenden gewährt sie regelmäßig der Öffentlichkeit Einblick in ihre Forschung in Vorträgen und bei Veranstaltungen – dabei zeigt sie ganz nebenbei, wie erfolgreich Frauen in der Physik sein können.

Für ihre wissenschaftliche Leistung wurde Frau Elfner mehrfach mit renommierten Preisen ausgezeichnet, darunter kürzlich als „Scientist of the Year“ der Alfons und Gertrud Kassel-Stiftung sowie 2016 mit dem Heinz-Maier-Leibnitz-Preis der Deutschen Forschungsgemeinschaft (DFG). Ihre außergewöhnliche Leistung und ihr hohes Engagement hat nun das FIAS mit der Ernennung zum Senior Fellow unterstrichen.

Der Stiftungsrat berief sie einstimmig in die Reihen der FIAS Faculty. „Ich freue mich über die Ernennung“, so die gebürtige Frankfurterin – „und dass ich weiterhin am FIAS und seiner Gestaltung mitwirken kann“. FIAS-Direktor Elsen ergänzt: „Mit dieser Berufung wird die theoretische Beschreibung der Wechselwirkung von Kernbausteinen auch zukünftig kompetent und prominent am FIAS vertreten sein“.

Die Erforschung der Welt im Kleinen wird Hannah Elfner auch in Zukunft nicht loslassen: „Ein besseres Verständnis des Übergangs von Protonen/Neutronen zum Quark-Gluon-Plasma bei hohen Dichten wäre großartig“. Im Fokus steht künftig zudem ein kleiner Mensch: In diesen Tagen beginnt Frau Elfners Mutterschutz und damit zeitnah zur Senior-Auszeichnung auch ein Junior-Leben.


Kontakt
Prof. Dr. Hannah Elfner
Frankfurt Institute for Advanced Studies (FIAS)
Ruth-Moufang-Straße 1
60438 Frankfurt am Main

Tel.: +49 69 798 47652

eMail: elfner@fias.uni-frankfurt.de
Web: https://www.fias.science/de/theoretische-naturwissenschaften/gruppen/hannah-elfner-petersen/

Teile diesen Beitrag mit Freunden

Extrem dichte Masse – Ein Blick in das Innere von Neutronensternen

Neutronensterne

Neutronensterne sind in ihrem Inneren extrem dicht: Ihre Masse entspricht dem doppelten der Sonne – und das bei einer Größe etwa der Stadt Frankfurt (Radius: 10-14 km). Daher dienen diese kompakten Objekte als einzigartige Beispiele zur Untersuchung der Eigenschaften dichter Materie. Eine Arbeitsgruppe am FIAS* setzte jetzt Deep-Learning-Techniken* ein, um neue Erkenntnisse über das Innere der Sterne zu gewinnen.

Ist der innere Druck der Materie bei einer bestimmten Dichte (die Zustandsgleichung) gegeben, besteht eine eindeutige Beziehung zwischen der Masse und dem Radius eines Neutronensterns. Daher ist es umgekehrt möglich, die unbekannte Zustandsgleichung aus den Masse-Radius-Beobachtungen von Neutronensternen abzuleiten.

Die FIAS-Gruppe entwickelte einen Deep-Learning-Algorithmus, der Neutronenstern-Beobachtungsdaten nutzt, um die zugrundeliegende Zustandsgleichung zu rekonstruieren. Dies ermöglicht eine umfassende Charakterisierung der Gleichung, da neuronale Netze komplexe nichtlineare Wechselbeziehungen in Daten erfassen können. Während herkömmliche Ansätze zur Rekonstruktion der Zustandsgleichung in der Vergangenheit einen bestimmten Algorithmus, (die Bayes’sche Inferenz), beinhalteten, nutzen neuere Versuche die überwachte maschinelle Lerninferenz*.

In ihrer Arbeit stellen die Forschenden jedoch einen neuartigen, auf Physik basierenden Deep-Learning-Ansatz vor. Er besteht aus einem unbeaufsichtigten, selbständigen Lernalgorithmus im Zuge der automatischen Differenzierung. Die vorgeschlagene Methode wurde an Versuchsdaten getestet und ist in Bezug auf die Berechnungseffizienz bisherigen Algorithmen überlegen.

Mit diesem neu entwickelten Algorithmus rekonstruieren sie die Zustandsgleichung von Neutronensternen aus den bisher verfügbaren begrenzten Daten. „So verstehen wir, wie sich Materie bei extrem hoher Dichte verhält“, erklärt Erstautorin Shriya Soma (26), Doktorandin am FIAS. „Wir bekommen eine Vorstellung dieser starken Wechselwirkung, eine der grundlegenden Kräfte in der Physik“.

Das moderne NASA-Teleskop NICER* auf der Internationalen Raumstation ISS soll auf der aktuellen Mission helfen, die bislang großen Unsicherheiten bei der Messung der Radien künftig zu verringern. Zusätzliche Daten von Teleskopen der nächsten Generation und von Gravitationswellendetektoren bieten die Möglichkeit einer genauen Rekonstruktion der Zustandsgleichung und damit unseres Verständnisses des Verhaltens von Materie bei extremen Dichten. Bis dahin liefern Berechnungen wie in den Veröffentlichungen von Frau Shriya Soma (und anderen Autoren) eine geeignete Näherung.


Abbildung
Neutronensterne stellen die dichteste Form von Materie dar: die doppelte Masse der Sonne in einem kugelförmigen Volumen von einigen Kilometern Radius (links). Mit Hilfe neuronaler Netze (rechts oben) entwickelte die Gruppe am FIAS einen Algorithmus, der die makroskopischen Eigenschaften von Neutronensternen (insbesondere die Massen und Radien) nutzt, um die entsprechenden mikroskopischen Größen, also die zugrunde liegende Zustandsgleichung, zu erhalten (rechts unten). Grafik: Shriya Soma.

*Abkürzungen/Erläuterungen
FIAS = Frankfurt Institute for Advanced Studies
NICER = Neutron Star Interior Composition ExploreR

Deep Learning
Deep Learning (tiefes Lernen) ist ein Teilgebiet von maschinellem Lernen, welches sich auf künstliche neuronale Netze und große Datenmengen konzentriert. Es wird dazu genutzt, Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu tätigen.
Inferenz
Aufbereitetes Wissen, das aufgrund von logischen Schlussfolgerungen gewonnen wurde.

Publikationen:

  1. Shriya Soma, Lingxiao Wang, Shuzhe Shi, Horst Stöcker, Kai Zhou, Neural network reconstruction of the dense matter equation of state from neutron star observables, Journal of Cosmology and Astroparticle Physics, Volume 2022, August 2022, IOP Publishing Ltd and Sissa Medialab, https://doi.org/10.1088/1475-7516/2022/08/071
  2. Shriya Soma, Lingxiao Wang, Shuzhe Shi, Horst Stöcker, Kai Zhou, Reconstructing the neutron star equation of state from observational data via automatic differentiation, arXiv:2209.08883 [astro-ph.HE], September 2022, https://doi.org/10.48550/arXiv.2209.08883
Teile diesen Beitrag mit Freunden

Frühzeitige Erdbebenwarnung dank »Künstlicher Intelligenz«

Projekt CREIME

Ein deutlich verbessertes Modell für eine frühere Erdbebenvorhersage beschreibt eine Arbeitsgruppe am FIAS* in zwei aktuellen Veröffentlichungen. Es präzisiert und beschleunigt die zuverlässige Einschätzung von Erdbeben, was insbesondere Vorwarnungen in weniger entwickelten Weltregionen erleichtert.

Grundlage des auf Deep Learning* basierenden Modells des Teams um Frau Nishtha Srivastava sind Schwingungen, die – verglichen mit den nachfolgenden, verheerenderen Wellen – besonders schnell über die Erdschichten übertragen werden. Diese P-Wellen* eilen den eigentlichen Erschütterungen voraus – je nach Entfernung von der Quelle des Bebens um Sekunden oder Minuten. „Dieser kurze Zeitvorsprung kann reichen, um sich in Sicherheit zu bringen“, betont Frau Srivastava. Die nachfolgenden S-Wellen* und Oberflächenwellen sind höher, gefährlicher und verursachen größere Schäden.

Das von den Wissenschaftlern entwickelte Modell CREIME* erfüllt drei Aufgaben: Es erkennt die frühen P-Wellen*, kann Hintergrundschwingungen unterscheiden und sogar die Stärke des folgenden Bebens vorhersagen. „Bisher ist für eine zuverlässige Vorhersage ein Netzwerk von Messstationen notwendig“, erklärt Frau Megha Chakraborty (25), FIAS-Doktorandin und Erstautorin beider Publikationen. „Für unser Modell reicht eine Station, um vor Erdbeben in einer Entfernung von etwa 350 Kilometern zu warnen“.

Bestehende Methoden erfordern oft ein hohes Maß an Personalaufwand und Erfahrung. Zudem sind sie sehr empfindlich gegenüber Hintergrundschwingungen. CREIME* differenziert zwischen seismischen Ereignissen und Störungen mit einer durchschnittlichen Genauigkeit von 98 %.

CREIME liefert innerhalb von 2 Sekunden nach dem Eintreffen der ersten P-Welle eine erste Schätzung der Erdbebenstärke. Das zeigen die Autorinnen mit zwei unabhängigen Datensätzen aus Italien und der ganzen Welt. „Unsere Vorhersagegenauigkeit übertrifft klassische Modelle, da es 10 % mehr Ereignisse erkennt“, so Srivastava. Mit einem Deep-Learning-Ansatz lernt das System zudem ständig hinzu. Ein weiteres System, PolarCAP*, identifiziert automatisch die vertikale Richtung der ersten Bewegung während eines Erdbebens, was für die Einschätzung des zugrunde liegenden Bebens wichtig ist.

Das Team will die CREIME*- und PolarCAP*-Prototypen nun in Echtzeit testen. „In Regionen wie Südkalifornien oder Indonesien, wo die Epizentren sehr nahe an menschlichen Siedlungen liegen, könnte eine App, die auf unserem Modell basiert, die Menschen in Zukunft früh genug warnen, damit sie Schutz suchen können“, hofft Frau Chakraborty.


Bild
Das CREIME-Modell verarbeitet 5-Sekunden-Fenster, um ein Erdbeben zu erkennen. Innerhalb von Sekunden nach dem Eintreffen der P-Welle gibt es eine Warnung aus, damit gefährdete Personen rechtzeitig Schutz suchen können, bevor die gefährlichen S-/Oberflächenwellen eintreffen. Bild von Megha Chakraborty, FIAS

*Abkürzungen/Erläuterungen
FIAS = Frankfurt Institute for Advanced Studies
P-Wellen = Primärwellen
S-Wellen = Sekundärwellen
CREIME = Convolutional Recurrent Model for Earthquake Identification and Magnitude Estimation
PolarCAP = A deep learning approach for first motion polarity classification of earthquake waveforms (Mehr Info)

Deep Learning
Deep Learning (tiefes Lernen) ist ein Teilgebiet von maschinellem Lernen, welches sich auf künstliche neuronale Netze und große Datenmengen konzentriert. Es wird dazu genutzt, Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu tätigen.

 

Publikationen:

  • Chakraborty, M., Fenner, D., Li, W., Faber, J., Zhou, K., Rümpker, G., et al. (2022). CREIME—A Convolutional Recurrent model for Earthquake Identification and Magnitude Estimation. Journal of Geophysical Research: Solid Earth, 127, e2022JB024595. https://doi.org/10.1029/2022JB024595
  • Megha Chakraborty, Claudia Quinteros Cartaya, Wei Li, Johannes Faber, Georg Rümpker, Horst Stoecker, Nishtha Srivastava, PolarCAP – A deep learning approach for first motion polarity classification of earthquake waveforms, Artificial Intelligence in Geosciences (2022) 3, 46-52, ISSN 2666-5441, https://doi.org/10.1016/j.aiig.2022.08.001
Teile diesen Beitrag mit Freunden

Neue Bindestelle an Zellmembran identifiziert

Tubby-Protein

Die Wechselwirkungen von Eiweißen (Proteinen) und Fetten (Lipiden) in Membranen untersucht ein Team um Sebastian Thallmair am Frankfurt Institute for Advanced Studies (FIAS) mit Hilfe von Modellrechnungen. Im fassförmigen Tubby-Protein fanden sie so eine bislang unbekannte Bindungsstelle, die zur Aufklärung verschiedener Krankheitsbilder beitragen könnte.

Funktioniert das Tubby-Protein in unseren Zellen nicht, werden Störungen im Energiehaushalt, Fettleibigkeit, Abbau der Netzhaut und Gehörverlust beobachtet. Die genauen Hintergründe für diese Fehlfunktionen sind unklar, daher sind Erkenntnisse zur Funktionsweise von Tubby wichtig.

Die Familie der Tubby-Proteine spielt eine wichtige Rolle für den Transport von Proteinen in der Zellmembran. In einer genau passenden „Tasche“ binden sie Rezeptorproteine und schleusen diese in feine Härchen, die primären Zilien. Diese Zilien fungieren als Antennen, die Signale außerhalb der Zelle erkennen und ins Zellinnere weiterleiten. Ist ihre Funktion und damit die Signalweiterleitung gestört, können Krankheiten auftreten (Ziliopathien).

Damit Tubby funktioniert, muss es an die Innenseite der Membran andocken, und zwar über ein spezifisches Fettmolekül (PI(4,5)P2), das ausschließlich in der Zellmembran vorkommt. Das Team um FIAS-Fellow Dr. Sebastian Thallmair sowie Prof. Dr. Dominik Oliver (Universität Marburg) und Prof. Dr. Siewert-Jan Marrink (Universität Groningen, Niederlande) untersuchte den Bindungsmechanismus von Tubby an dieses Signallipid genauer. In ihrer aktuellen Veröffentlichung beschreiben sie eine bisher unbekannte Bindestelle des Tubby-Proteins.

„Mit computergestützten Berechnungen identifizierten wir eine zweite Bindungstasche für das Signallipid, neben der bereits bekannten“, so Thallmair. Grundlage für diese Modellrechnungen sind die bekannte Protein-Struktur sowie Informationen zu chemischen und physikalischen Bindungsvorlieben oder Abstoßungsreaktionen einzelner Atomgruppen.

Darüber hinaus zeigte das Team, dass beide Bindestellen kooperieren. „Das bedeutet, dass erstaunlicherweise zwei gebundene Signallipide mehr als doppelt so stark wirken wie nur ein gebundenes Signallipid“, erklärt Thallmair.

Fluoreszenzmarkiertes Tubby-Protein wird auch als Marker verwendet, um Rückschlüsse auf die Lipid-Konzentration verschiedener Membranbereiche zu erhalten. „Wir wollen beispielsweise verstehen, wie das Signallipid – nachdem es abgebaut wurde – wieder synthetisiert wird“, so Thallmair. „Denn es wird offensichtlich nur in bestimmten, eng begrenzten Bereichen der Zellmembran synthetisiert“. Tubby soll dabei helfen, diese Bereiche zu identifizieren.


Publikation: Veronika Thallmair, Lea Schultz, Wencai Zhao, Siewert Jan Marrink, Dominik Oliver, Sebastian Thallmair, Two cooperative binding sites sensitize PI(4,5)P2 recognition by the tubby domain, Sci. Adv. 8, eabp9471 (2022). DOI: 10.1126/sciadv.abp9471

Abbildung: Tubby-Protein (rot) auf einer Lipidmembran (gelb) mit einem PI(4,5)P2-Signallipid (violett) in der bekannten Bindetasche. Die Aminosäuren der Bindetasche sind in cyan dargestellt, das Wasser als transparente blaue Oberfläche. © V. Thallmair et al., Sci. Adv. 8, eabp9471, 2022

Kontakt
Dr. Sebastian Thallmair
Frankfurt Institute for Advanced Studies (FIAS)
Ruth-Moufang-Straße 1
60438 Frankfurt am Main
Tel.: +49 69 798 47658
E-Mail: thallmair@fias.uni-frankfurt.de
Web: https://www.fias.science/de/lebens-und-neurowissenschaften/gruppen/sebastian-thallmair/

Das FIAS (Frankfurt Institute for Advanced Studies) ist eine interdisziplinäre Forschungseinrichtung in Frankfurt am Main. Hier entwickeln international ausgewiesene Wissenschaftlerinnen und Wissenschaftler Theorien zu komplexen naturwissenschaftlichen Zukunftsthemen in den Bereichen theoretische Naturwissenschaften, Computerwissenschaften und KI-Systeme sowie Lebens- und Neurowissenschaften. Über die Grenzen der Disziplinen hinweg erforschen sie mit Hilfe mathematischer Algorithmen und Simulationen die komplexen selbstorganisierenden Systeme der Natur. Das FIAS ist eine gemeinnützige Stiftung zwischen der Goethe-Universität und privaten Stiftern und Sponsoren. https://fias.institute/

Teile diesen Beitrag mit Freunden

Vulkanische Aktivitäten messen

Vulkanische Aktivitäten

Ein 20-jähriger Bachelorstudent am „Frankfurt Institute for Advanced Studies“ (FIAS) am Riedberg hat ein effektives Verfahren entwickelt, um vulkanische Erschütterungen am Beispiel des italienischen Vulkans Stromboli schnell zu erkennen.

Dazu erstellte die FIAS-Gruppe „Seismologie und Künstliche Intelligenz“ einen umfassenden Katalog dieser Ereignisse, der nicht nur die Bewertung der vulkanischen Gefahren, sondern auch die eingehende Untersuchung möglicher Vorläufer großer Ausbrüche auf der Grundlage historischer Daten ermöglicht.

Um vulkanische Aktivitäten zu verstehen und vorherzusehen, werden weltweit Daten zu ihren Aktivitäten gesammelt. Das ist besonders aufwendig für Vulkane vom Typ Stromboli, für die regelmäßige leichte Eruptionen charakteristisch sind. Es kann jedoch auch zu gefährlichen großen Explosionen kommen. So brach der Stromboli zuletzt 2019 heftig aus, was zu einer kilometerhohen Asche-Gas-Wolke und einem Todesopfer führte.

Für die detaillierte Analyse dieser Vulkane werden aufwendig gesammelte Datensätze mit Informationen über vulkanische Erdbeben-Ereignisse benötigt. Diese Daten werden von Computerprogrammen analysiert (Deep-Learning). Vulkane werden weltweit überwacht und analysiert, was allerdings noch viel „Handarbeit“ erfordert.

Um seismische Daten automatisch zu analysieren und zu identifizieren, entwickelte Darius Fenner aus dem FIAS-Forschungsteam von Nishtha Srivastava in Zusammenarbeit mit Georg Rümpker und Horst Stöcker das „Adaptive-Window Volcanic Event Selection Analysis Module“ (AWESAM).

Diese exakte Schritt-für-Schritt-Anleitung für Computer – verwendet unbearbeitete seismische Rohdaten (Erdbeben), um Zeitabstände und Amplituden (Intensitäten) genauer zu messen. Ein spezieller Filter ermöglicht es, sowohl seltene heftige als auch regelmäßige kleine Ereignisse zu registrieren. In einem zweiten Schritt werden diese Messungen mit einer weiteren Station abgeglichen, um lokale Störfaktoren auszuschließen.

Das Bundesministerium für Bildung und Forschung (BmBF) fördert Srivastavas Forschungsteam im Rahmen des Programms „Förderung des weiblichen Nachwuchses“ mit mehr als 1,6 Millionen Euro. Die Gruppe wendet Methoden der künstlichen Intelligenz auf seismische Signale an, um Erdbebenfrühwarnsysteme (EEWs) und die seismische Signalanalyse zu verbessern. Außerdem wollen sie die mit der Freisetzung seismischer Spannungen verbundenen Muster besser verstehen.


Publikation
Darius Fenner, Georg Rümpker, Wei Li, Megha Chakraborty, Johannes Faber, Jonas Köhler, Horst Stöcker and Nishtha Srivastava, Automated Seismo-Volcanic Event Detection Applied to Stromboli (Italy), Front. Earth Sci. 10:809037, doi: 10.3389/feart.2022.809037, https://www.frontiersin.org/articles/10.3389/feart.2022.809037/full

Weitere Informationen
https://www.youtube.com/watch?v=8e-mzhxX3zc

Kontakt
Dr. Nishtha Srivastava
Theoretische Naturwissenschaften
Frankfurt Institute for Advanced Studies (FIAS)
Tel.: +49 69 798 47618
eMail: srivastava@fias.uni-frankfurt.de
Web: https://www.fias.science/de/theoretische-naturwissenschaften/gruppen/nishtha-srivastava

Teile diesen Beitrag mit Freunden

Das FIAS unterstützt ukrainische Wissenschaftler

FIAS-Gebäude

Vom Schutzbunker in Kiew zur Forschungsinstitution in Frankfurt

Sieben Wissenschaftler haben eine vorläufige Forschungsstelle am Frankfurt Institute for Advanced Studies (FIAS) gefunden. Persönliches Engagement und die Unterstützung der Alexander von Humboldt-Stiftung und der Stiftung Polytechnische Gesellschaft Frankfurt am Main sichern zwei Professoren, fünf (Post-)Doktoranden und ihren Familienmitgliedern finanzielle Sicherheit, Forschungsmöglichkeiten und eine vorläufige Heimat in Frankfurt.

Roman Poberezhnyuk, promovierter Theoretischer Physiker aus Kiew, traf der Krieg gegen sein Heimatland unvorbereitet im Urlaub in Spanien. Da er schon mehrfach einige Monate als Gastwissenschaftler am FIAS verbracht hatte, lud FIAS-Mitbegründer Horst Stöcker ihn umgehend nach Frankfurt ein. Die FIAS-Verwaltung half bei der Suche nach einer Unterkunft. „Ich bin froh und freue mich über die Hilfe und die produktive Atmosphäre hier“, so Poberezhnyuk. Er erhielt zunächst ein befristetes Stipendium der Stiftung Polytechnische Gesellschaft und wird nun für ein halbes Jahr mit einem Stipendium der Alexander von Humboldt-Stiftung unterstützt. Poberezhnyuk arbeitet schon seit Jahren mit Forschenden am FIAS zusammen, um die thermodynamischen Eigenschaften dichter elementarer Materie zu verstehen.

Oleh Savchuk war ebenfalls bereits ein Jahr als Gastwissenschaftler am FIAS. Er hat jetzt ein Jahresstipendium am GSI Helmholtzzentrum für Schwerionenforschung und ist Doktorand bei Prof. Mark Gorenstein. Gorenstein ist Forschungsleiter am Bogolyubov-Institut für Theoretische Physik an der Nationalen Akademie für Wissenschaften der Ukraine in Kiew. „Wir erlebten die ersten Bombardements in Kiew, hausten praktisch in einem Schutzbunker und entschieden schließlich im März, mit dem Auto nach Deutschland zu fliehen,“ berichtet der Alexander von Humboldt-Preisträger 2001. Dank eines Stipendiums der Alexander von Humboldt-Stiftung kann Gorenstein nun mit Frau, Tochter und Enkeltochter in Frankfurt leben und am FIAS forschen sowie Phasenübergänge und deren Signaturen in Kooperation mit der GSI experimentell untersuchen.

Auch Maria Khelashvili berichtet von Bombardierungen und häufigem Luftalarm in Kiew. Sie arbeitete am Bogolyubov-Institut an ihrer Promotion über ultraleichte dunkle Materie. „Ich bin sehr froh, dass ich am FIAS die Möglichkeit bekommen habe, meine Forschung fortzusetzen“, so die Physikerin. Sie kann dank eines Stipendiums der Stiftung Polytechnische Gesellschaft ihren Lebensunterhalt bestreiten. Khelashvili forscht auf dem Gebiet der allgemeinen Relativitätstheorie und setzt am FIAS ihre Arbeiten zur statistischen Analyse von Kandidaten der dunklen Materie fort.

Oleksandr Stashko, ein Doktorand aus Kiew, arbeitet ebenfalls auf dem Gebiet der allgemeinen Relativitätstheorie, Gravitation und Materie. Im Herbst wird er als Postdoc nach Princeton, USA, gehen. Bis dahin ist er als Gastwissenschaftler am FIAS untergekommen, finanziert von der Stiftung Polytechnische Gesellschaft: „Ich bin unglaublich dankbar für die Rundum-Unterstützung meines Forschungsaufenthalts hier“.

Im Spätsommer wird Dmitri Anchyshkin mit Frau, eventuell Tochter und Enkel erwartet, der ebenfalls Professor am Kiewer Bogolyubov-Institut für Theoretische Physik ist. Eine weitere Doktorandin, Zhanna Huranova, die ihren Master in Physik und Astronomie vor zwei Jahren in Kiew abschloss, wird im FIAS als Doktorandin zu Big-Data-Analysen arbeiten.

Alle 7 geflüchteten ukrainischen Forschende unterstützen den FIAS-Forschungsschwerpunkt „MAGIC – Matter, Astrophysics, Gravitation, Ions, Cosmology“. Zu diesen Themen bestand bereits von Kiew aus eine enge Zusammenarbeit mit den internationalen MAGIC-Arbeitsgruppen am FIAS.

Die ukrainischen Wissenschaftler und ihre Angehörigen konnten vorübergehend in Gästehäusern der Stiftungen der Goethe-Universität und des Forschungskollegs Humanwissenschaften in Bad Homburg untergebracht werden. Das schnelle und große Engagement haben die Gastwissenschaftler am FIAS vor allem Horst Stöcker zu verdanken: „Es ging mir um rasche Übergangshilfe für Kollegen, die ich persönlich kannte, die teils zögerlich und verängstigt waren“.

Ebenso wie die Allianz der Wissenschaftsorganisationen verurteilt der FIAS-Vorstand den Angriffskrieg auf die Ukraine aufs Schärfste. Auch wenn die Wissenschaft weitgehend politikfrei sein sollte und immer wieder Brücken über internationale Konflikte geschlagen hat, darf niemand diesen Kriegshandlungen tatenlos zusehen. Daher bietet das FIAS ukrainischen Wissenschaftlern Hilfe an, wo auch immer möglich.


Aktuelle Informationen zu Forschung, Projekten und Veranstaltungen unter https://fias.institute/

Das FIAS (Frankfurt Institute for Advanced Studies)
ist eine interdisziplinäre Forschungseinrichtung in Frankfurt am Main. Hier entwickeln international ausgewiesene Wissenschaftlerinnen und Wissenschaftler Theorien zu komplexen naturwissenschaftlichen Zukunftsthemen in den Bereichen theoretische Naturwissenschaften, Computerwissenschaften und KI-Systeme sowie Lebens- und Neurowissenschaften. Über die Grenzen der Disziplinen hinweg erforschen sie mit Hilfe mathematischer Algorithmen und Simulationen die komplexen selbstorganisierenden Systeme der Natur. Das FIAS ist eine gemeinnützige Stiftung zwischen der Goethe-Universität und privaten Stiftern und Sponsoren.

Teile diesen Beitrag mit Freunden