Vier Professorinnen und Professoren erhalten SNSF Starting Grants
Niao He, Ana Klimovic, Rasmus Kyng und Fanny Yang sind die Empfänger eines SNSF Starting Grants für ihre jeweiligen Forschungsprojekte. Diese Förderung wird derzeit vom Schweizerischen Nationalfonds (SNF) vergeben. Herzlichen Glückwunsch!
Da die Schweiz nun ein nicht-assoziierter Drittstaat im Forschungsprogramm Horizon Europe ist, können sich Forschende von Schweizer Hochschulen derzeit nicht um ein Starting Grant des Europäischen Forschungsrats bewerben. Diese Förderung ist eine Übergangsmassnahme des Bundes, die sowohl die ERC Starting Grants als auch die ehemaligen SNF-Förderprogramme Eccellenza und PRIMA abdeckt. Ein SNSF Starting Grant wird nach mehreren Jahren erfolgreicher Forschung gewährt und richtet sich an Wissenschaftlerinnen und Wissenschaftler, die in der Schweiz ein unabhängiges Projekt lancieren und ein Team leiten möchten.
Vier Professorinnen und Professoren aus unserem Departement haben das Starting Grant erhalten. Eine von ihnen ist Niao He. Ihr Projekt "Optimization for Modern Reinforcement Learning: from Principles to Scalability" war eines der ausgewählten Projekte für die Förderung. Deep Reinforcement Learning ist heute eine zentrale Kraft, die sich ständig erweiternden Grenzen der KI vorantreibt. Die Erfolge beruhen jedoch zu sehr auf massiver Rechenleistung, empirischen Heuristiken und einer Reihe von technischen Tricks, was wichtige Fragen über die Effizienz und Vertrauenswürdigkeit von KI-Systemen aufwirft. Als Antwort auf diese Herausforderungen zielt das Projekt darauf ab, Optimierungsgrundlagen für das Verstärkungslernen zu schaffen, die sowohl die Prinzipien als auch die Skalierbarkeit berücksichtigen. Professorin He und ihr Team wollen mit theoretischen Erkenntnissen und praktischer Effizienz zur Entwicklung von Entscheidungsintelligenz beitragen.
Niao He ist Assistenzprofessorin am Departement Informatik der ETH Zürich und leitet die Optimization & Decision Intelligence (ODI) Group. Sie ist auch Mitglied des Lehrkörpers am Institut für Maschinelles Lernen, dem ETH AI Center, ETH Foundations of Data Science, dem Max Planck ETH Center for Learning Systems und dem Illinois Institute of Data Science and Dynamical Systems. Ihre Arbeit liegt an der Schnittstelle von Optimierung und maschinellem Lernen, mit einem Hauptaugenmerk auf den algorithmischen und theoretischen Grundlagen für die Lösung von datengesteuerten Entscheidungsproblemen.
Ein weiteres ausgewähltes Projekt war Ana Klimovics "Dandelion: Systemsoftware-Grundlagen für die neue Ära des Cloud Computing". Serverloses Computing ist ein neues Paradigma des Cloud-Computing, das die Nutzung der Cloud vereinfacht und Cloud-Plattformen in die Lage versetzt, die Leistung und Energieeffizienz der Infrastruktur unter der Haube zu optimieren. Serverless Computing ist zwar sehr vielversprechend, aber die für den Betrieb erforderliche Systemsoftware-Infrastruktur hat mit den Anforderungen der heutigen Anwendungen nicht Schritt gehalten. Der herkömmliche Ansatz der schrittweisen Nachrüstung von Cloud-Systemsoftware, die vor mehr als einem Jahrzehnt entwickelt wurde, reicht nicht aus, um das volle Potenzial des serverlosen Computings auszuschöpfen. Professorin Klimovic und ihr Team schlagen Dandelion vor, eine neue Plattform und Referenzarchitektur für Serverless Computing. Ziel ist es, die Leistung, Sicherheit und Energieeffizienz des Serverless Computing zu verbessern, indem das Programmiermodell grundlegend überdacht und eine schnelle, sichere Systemsoftware-Architektur aufgebaut wird, die die Möglichkeiten moderner Cloud-Hardware nutzt.
Ana Klimovic ist Assistenzprofessorin am Departement für Informatik der ETH Zürich. Sie ist Mitglied der ETH Systems Group, wo sie das Efficient Architectures and Systems Lab (EASL) leitet. Bevor sie an die ETH kam, verbrachte sie ein Jahr als Research Scientist bei Google Brain und schloss ihr Doktorat in Elektrotechnik an der Stanford University ab. Sie arbeitet an Computersystemen für gross angelegte Anwendungen wie Cloud-Computing-Dienste, Datenanalyse und maschinelles Lernen. Ziel ihrer Forschung ist es, die Leistung und Ressourceneffizienz von Cloud Computing zu verbessern und gleichzeitig den Nutzern die Bereitstellung und Verwaltung ihrer Anwendungen zu erleichtern.
Für sein Projekt mit dem Titel "A New Paradigm for Flow and Cut Algorithms" erhielt Rasmus Kyng den Zuschuss. Graphen sind mathematische Modelle von Netzwerken, und die Untersuchung von Graphenalgorithmen ist eines der grundlegendsten Themen der Algorithmenentwicklung. Im Jahr 2022 entwickelten Rasmus Kyng und Co-Autoren nahezu optimale Algorithmen für den kostenminimalen Fluss. Dieses Problem wird seit den 1930er Jahren intensiv studiert, da es die Modellierung einer Vielzahl wichtiger Fragen ermöglicht, beispielsweise wie Waren durch ein Transportnetz geleitet werden, wie Daten durch ein digitales Netzwerk gesendet werden, wie Aufgaben an Server zur Verarbeitung in einem Rechenzentrum zugewiesen werden oder sogar, wie Kunden mit Fahrten in einem Transportmarkt zusammengebracht werden können. Der SNSF Starting Grant nimmt diese von ihm und seinen Mitautoren entwickelten Methoden als Ausgangspunkt für die Lösung einer breiten Palette von Graphenalgorithmen, die viel schneller sind als das, was derzeit bekannt ist. Das Projekt wird eine Reihe von Fragen behandeln: Wie können wir die moderne Theorie der Graphenalgorithmen für die Praxis nutzbar machen? Wie können wir schnelle Graphenalgorithmen entwickeln, die eine Zufallsgenerierung vermeiden und daher immer erfolgreich sind? Wie können wir Graphenalgorithmen entwickeln, die Lösungen schnell aktualisieren können, wenn sich die Eingabedaten im Laufe der Zeit ändern? Und wie gross ist der Umfang der Probleme, die wir mit der neuen Mischung aus Datenstrukturen und kontinuierlicher und kombinatorischer Optimierung lösen können, die den jüngsten Durchbruch bei der Minimalkostenströmung ermöglicht hat?
Rasmus Kyng ist Assistenzprofessor am Departement Informatik der ETH Zürich, wo er seit Herbst 2019 arbeitet. Rasmus schloss sein Doktorat am Departement Informatik in Yale im Sommer 2017 ab und arbeitete dann von 2018 bis 2019 als Postdoc in der Theory of Computation Group in Harvard. Seine Forschung konzentriert sich auf schnelle Algorithmen für Graphenprobleme und konvexe Optimierung, auf Wahrscheinlichkeits- und Diskrepanztheorie, feinkörnige Komplexitätstheorie und Anwendungen im maschinellen Lernen.
Professorin Fanny Yang wird zum Thema "A unified mathematical framework for trustworthy machine learning" forschen.
Fanny Yang ist Assistenzprofessorin am Departement Informatik der ETH Zürich. Zuvor war sie als Postdoc an der Stanford University und als Junior Fellow am Institut für Theoretische Studien der ETH Zürich tätig. Ihre Forschungsinteressen liegen im theoretischen Verständnis und in der Entwicklung von gut funktionierenden Werkzeugen für maschinelles Lernen und Statistik. Derzeit interessiert sie sich besonders für die Generalisierungseigenschaften von überparametrisierten Modellen für hochdimensionale Daten und die Erlangung vertrauenswürdigerer maschineller Lernmodelle.