Den Preis für die beste Dissertation, dotiert mit insgesamt 7.000 Euro, teilen sich in 2021 zwei Preisträger:

• Herr Dr. Christian-Peter Kunz, Titel der Arbeit: "Augmented Reality based Assistance and Automated Planning for Neurosurgical Interventions", Fakultät für Informatik, Hauptreferent: Prof. Dr.-Ing. Dr. h.c. Heinz Wörn.
  
  Kurze Zusammenfassung:
  Neurochirurgische Eingriffe sind aufgrund der empfindlichen Strukturen des menschlichen Gehirns eine große Herausforderung. Das gesamte Gehirn besteht aus sensiblem Gewebe, das so wenig wie möglich beeinträchtigt werden sollte. Dennoch ist dies nicht
  immer möglich, da es bei vielen Operation nötig ist, durch Gewebe hindurch zum Zielgebiet zu gelangen. Beispiele sind Biopsien, die Ventrikelpunktion, tiefe Hirnstimulation und Tumorentfernungen. Dabei muss speziell verhindert werden, dass Hochrisikobereiche
  verletzt werden, da dies zu erheblichen kognitiven Beeinträchtigungen führen kann, z.B. dem Verlust der Sprachfähigkeit. Eine optimierte Planung der Operation kann hierbei verhindern, dass Hochrisikobereiche verletzt werden, um so kognitive Schäden zu verhindern. In der oben genannten Arbeit wird ein neuartiges System vorgestellt, das den kompletten chirurgischen Arbeitsablauf abdeckt, indem eine vollautomatische Operationsplanung und anschließende Szenenregistrierung ausgeführt wird, um dem Chirurgen eine intraoperative Assistenz auf Basis von Augmented Reality (AR) zu ermöglichen.

   

• Herr Dr. Benjamin Nuß, Dissertation "Frequenzkamm-basiertes breitbandiges MIMO-OFDM-Radar", Fakultät für Elektrotechnik und Informationstechnik, Hauptreferent: Prof. Dr.-Ing. Dr. h.c. Thomas Zwick
  
  Kurze Zusammenfassung:
  In den vergangenen Jahren haben digitale Modulationsverfahren einen immer größeren Stellenwert für Anwendungen im Radarbereich erfahren. Treiber dieser Entwicklung sind einerseits die immer leistungsfähigere digitale Hardware, die eine echtzeitfähige Realisierung solcher Radarsysteme überhaupt erst ermöglicht hat, und andererseits bei den Applikationen vor allem der Automobilradarbereich. Dieser fordert neben stetig steigenden Auflösungen oftmals eine hohe Flexibilität der Wellenformen sowie eine möglichst gute Interferenzrobustheit. Eines der Modulationsverfahren, das aktuell besonders im Fokus der Untersuchungen steht, ist Orthogonal Frequency-Division Multiplexing (OFDM), das sich auch im Mobilfunkbereich großer Beliebtheit erfreut. Ein Nachteil im
  Vergleich zu anderen gängigen Radarverfahren wie beispielsweise Fast Chirp Sequence (FCS) ist die Notwendigkeit von sehr hohen Abtastraten, die in der Größenordnung der abgedeckten Hochfrequenzbandbreite liegen müssen.
  Genau bei diesem Punkt setzt die oben genannte Arbeit an. Sie stellt eine neuartige Erweiterung des klassischen OFDM-Radar-Ansatzes vor, mit dessen Hilfe die Signalbandbreite im Radarkanal vergrößert werden kann, ohne gleichzeitig die Abtastraten der Digital-Analog- und Analog-Digital-Wandler erhöhen zu müssen. Hierdurch kann trotz eines Verzichts auf schnelle und daher teure Wandler die oftmals geforderte hohe Entfernungsauflösung erreicht werde.
  
   

• Herr M. Sc. Leonard Bärmann, beste Master-Thesis, Titel: "Long-Term Compressive Memory Transformer for Encoding and Verbalizing Robot Experiences", Fakultät für Informatik, Hauptreferent: Prof. Dr. Alexander Waibel.
  
  Kurze Zusammenfassung:
  Verbalisierung vergangener Ereignisse und Erfahrungen ist eine Schlüsselfähigkeit für autonome Roboter und fördert das Vertrauen des Benutzers in die Technologie. Um zu ermöglichen, dass ein Roboter Informationen über seine früheren Beobachtungen und Handlungen speichert, filtert und abruft, muss er mit einem episodischen Gedächtnis (Episodic Memory, EM) ausgestattet werden. In vorherigen Arbeiten wurde die Aufgabe des Verbalisierens von Robotererfahrungen (Episodic Memory Verbalization, EMV)
  eingeführt und eine neuronale Netzwerkarchitektur zur Lösung dieses Problems vorgestellt. Basierend auf einer Analyse der Grenzen des bestehenden Systems schlägt die vorliegende Arbeit ein neues Modell names Long-Term Compressive Memory Transformer zur Erstellung von EM vor. Dieses bietet sowohl eine unbegrenzte Kontextlänge als auch ein auf eine konstante Größe beschränktes EM. Zusätzlich wird ein deutlich größerer und vielfältigerer EMV-Datensatz, der einen multimodalen Datenstrom aus Tausenden von simulierten Roboterausführungen beinhaltet, präsentiert. Unter Verwendung des Datensatzes von Bärmann et al. (2021) sowie des neu gesammelten Datensatzes wird das vorgestellte Modell trainiert und evaluiert, wobei die Ergebnisse sowohl eine text-only-Baseline als auch die vorherige Arbeit übertreffen. Darüber hinaus wird eine Variante des Modells mit mehreren Kompressionsstufen entwickelt und empirisch mit den anderen Ansätzen verglichen. Schließlich zeigen Ablationsstudien zu bestimmten Aspekten des gewählten Ansatzes in Kombination mit detaillierten Analysen aller experimentellen Ergebnisse, dass es mit Blick auf die EMV-Aufgabe trotz signifikanter Verbesserungen noch ungelöste Probleme gibt.

• Herr M. Sc. Benedikt Wagner, beste Master-Thesis. Titel "Efficient Signatures in the Post-Quantum Setting", Fakultät für Informatik, Hauptreferent: Prof. Dr. Jörn Müller-Quade.
  
  Kurze Zusammenfassung:
  Klassische kryptographische Konstruktionen basieren meist auf der Annahme der Schwierigkeit des Faktorisierens oder des Diskreten Logarithmus Problems, welche durch einen Quantencomputer gebrochen werden. Im Gegensatz dazu wird allgemein angenommen, dass Konstruktionen basierend auf Gitterannahmen sicher gegen Quantenangreifer sind. In den letzten zwei Jahrzehnten entwickelte sich gitterbasierte Kryptographie zum Flaggschiff der modernen Post-Quantum-Kryptographie. Die Sicherheit kryptographischer Verfahren wird asymptotisch im Bezug auf einen sogenannten Sicherheitsparameter analysiert. Soll ein Verfahren allerdings praktisch eingesetzt werden, so sind alle Parameter sorgfältig zu setzen, um ein konkretes Sicherheitsniveau zu erreichen. Daher ist ein Sicherheitsbeweis, in dem die konkrete Sicherheit abhängig von Variablen sinkt, die man nicht im Vorhinein kennt, weniger wünschenswert, als ein Beweis, der tight ist, bei dem das also nicht passiert. Zum Beispiel kann eine solche Variable die Anzahl der Nutzer des Systems sein. Generell führt ein tighter Beweis zu effizienteren Instantiierungen. Ziel dieser Arbeit ist es, effiziente kryptographische Primitive zu konstruieren, die verwandt mit digitalen Signaturen sind und tighte Sicherheitsbeweise basierend auf Gitterannahmen ermöglichen. Zudem ist es das Ziel, stets die aussagekräftigsten und stärksten Sicherheitsbegriffe zu erfüllen.

Die Preisträger nahmen ihre Auszeichnungen auf postalischem Wege entgegen, da auch in diesem Jahr eine persönliche Übergabe leider nicht erfolgen konnte.

Die Gisela und Erwin Sick-Stiftung, das KIT-Zentrum Information ˑ Systeme ˑ Technologien (KCIST) und die KIT-Stiftung gratulieren den Preisträgern sehr herzlich und bedanken sich bei allen weiteren Bewerberinnen und Bewerbern für die Teilnahme!

Die Pressemitteilung finden Sie auf der Website des KCIST, auf Deutsch und Englisch.

Für das Jahr 2020 wurden folgende Arbeiten mit dem Wissenschaftspreis der Gisela und Erwin Sick-Stiftung prämiert:

Den Preis für die beste Abschlussarbeit, dotiert mit jeweils 1.500 Euro, teilen sich 2020 erneut zwei Preisträger:

• Herr Peter Koepernik, beste Bachelor-Thesis. Titel der Arbeit: "Consistency of Nearest Neighbour and Gaussian Process Regression".
  
  Kurze Zusammenfassung: Das grundlegende Konzept, das fast jeder Aufgabe im Bereich der künstlichen Intelligenz zugrunde liegt ist die Regression: Die Vorhersage der Bewertung einer Funktion auf der Grundlage unbeobachteter Eingaben und einer Reihe von Trainingsdaten. Im Fall der Bildklassifizierung wäre dies zum Beispiel eine binäre Funktion, die einen Vektor von RGB-Werten als Eingabe erhält. In seiner Arbeit beweist Herr Koepernik die Konsistenz der Nächste-Nachbarn-Regression und Gaußprozess-Regression. Zwei der wenigen bekannten Methoden, die in solchen Fällen anwendbar sind - für den Fall, dass die erklärenden Variablen Werte in abstrakten metrischen Räumen annehmen. Bislang gab es nur wenige bzw. keine derartigen Beweise, was diesen Beitrag zu einer wichtigen Ergänzung der umfangreichen empirischen Forschung zu diesem Thema macht und für zahlreiche reale Anwendungen von grundlegender Bedeutung ist.
   
• Herr Lukas Rapp, beste Bachelor-Thesis. Titel der Arbeit: "Analyse von Produkt- und Staircase-Codes für die Datenübertragung über Kanäle mit Fehlern und Auslöschungen".
  
  Kurze Zusammenfassung: Gegenstand der Bachelorarbeit von Herrn Rapp sind neuartige Ansätze zur Decodierung von fehlerkorrigierenden Codes, wie sie in der Glasfaser-Kommunikation eingesetzt werden. Ein Großteil des Energieverbrauchs im Glasfasernetz wird zur Fehlerkorrektur in den Empfangsmodulen verwendet. Heutzutage werden dort vorwiegend sogenannte Produkt- und Staircase-Codes verwendet. Für diese existieren aufwandsarme Decoder, die aber in der Anzahl korrigierbarer Fehler beschränkt sind. In der Arbeit entwickelt er ein mathematisches Modell, welches diesen Decoder analytisch beschreibt und zur effizienten Parameteroptimierung der Codes verwendet werden kann. Kern der Arbeit ist die Entwicklung einer innovativen kombinatorischen Beschreibung des neuen Decoders, da bestehende Ansätze nicht direkt übertragen werden konnten.

Der Preis für die beste Dissertation, dotiert mit 7.000 Euro, ging an:

• Herr Dr. Andreas Kuhnle. Titel der Arbeit: "Adaptive Order Dispatching based on Reinforcement Learning".
  
  Kurze Zusammenfassung: Produktionssysteme tendieren durch die Marktanforderungen getrieben zu kleineren Losgrößen und höherer Produktvielfalt und stellen so bestehende Steuerungsmethoden in Frage. Im Zuge der Digitalisierung bieten lernende Algorithmen (z.B. Reinforcement Learning, RL) einen neuen Ansatz zur Optimierung. Im Bereich der Produktionssteuerung haben sich jedoch bisher nur wenige Autoren damit befasst. Motiviert durch die Herausforderungen der komplexen Halbleiterfertigung schließt die Arbeit von Dr. Kuhnle diese Forschungslücke. Die Arbeit untersucht die RL-Modellierung in Bezug auf Zustand, Aktion und Belohnungsfunktion in sehr umfassenden Experimenten. Die Ergebnisse werden anhand von realen Halbleiter-Produktionsszenarien analysiert und zeigen, dass RL autonom Steuerungsstrategien erlernen und etablierte Benchmarks übertreffen kann. Damit stellt die Arbeit einen wesentlichen Beitrag in Richtung selbstoptimierender, autonomer Produktionssysteme. Darüber hinaus zeigt die Arbeit, dass (Produktions-) Techniker das Potenzial datenbasierter, lernender Verfahren für ihre Anwendung in Betracht ziehen müssen, um in Bezug auf Flexibilität in einer Welt, die sich immer schneller neuen Herausforderungen gegenübersteht, wettbewerbsfähig zu bleiben.

Auch die Preise für das Jahr 2020 konnten aufgrund der Corona-Pandemie nicht persönlich verliehen werden. Die Preisträger erhielten Ihre Auszeichnungen per Post. Die Gisela und Erwin Sick-Stiftung, das KIT-Zentrum Information ˑ Systeme ˑ Technologien (KCIST) und die KIT-Stiftung gratulieren den Preisträgern herzlich und bedanken sich bei allen anderen Bewerbern und Bewerberinnen für ihre Teilnahme!

Die Pressemitteilung finden Sie auf der Website des KCIST, auf Deutsch und Englisch.

Der Wissenschaftspreis der Gisela und Erwin Sick-Stiftung 2019 konnte aufgrund der Corona-Pandemie nicht persönlich verliehen werden. Die Preisträger erhielten Ihre Auszeichnungen per Post, verbunden mit nicht minder herzlichen Glückwünschen.

Prämiert wurden in diesem Jahr die Arbeiten der folgenden Preisträger:

Den Preis für die beste Abschlussarbeit teilen sich in diesem Jahr zwei Preisträger, jeweils dotiert mit 1.500 EUR:

• Beste Bachelor-Thesis: Herr Benedikt Wagner
  Titel der Arbeit:  „Constructing Blind Signature Schemes“
• Beste Master-Thesis, Herr Tobias Röddiger
  Titel der Arbeit: „Exploring the Wearability and Design of a Fully-Integrated Sleep Tracker”

Den Preis für die beste Dissertation, dotiert mit 7.000 EUR, ging an:

• Beste Dissertation, Herr Dr. Tobias Harter,
  Titel der Arbeit : „Wireless Terahertz Communications: Optoelectronic Devices and Signal Processing"

Die Gisela und Erwin Sick-Stiftung, das KIT-Zentrum Information ˑ Systeme ˑ Technologien (KCIST) und die KIT-Stiftung gratulieren den Preisträgern herzlich!

Die KIT-Stiftung sowie das KCIST danken der Gisela und Erwin Sick-Stiftung für dieses große Engagement zugunsten des herausragenden wissenschaftlichen Nachwuchses.

Die Pressemitteilung des KCIST finden  Sie unter: https://www.kcist.kit.edu/1026.php.