Entwicklung neuartiger neuroevolutionärer Lernverfahren
| Typ | Bachelorarbeit oder Masterarbeit | |
|---|---|---|
| Aushang | ||
| Betreuer | Wenden Sie sich bei Interesse oder Fragen bitte an: Daniel Zimmermann (E-Mail: dzimmer@fzi.de, Telefon: +49-721-9654-647) |
Deep-Learning basierte KI-Verfahren konnten in den letzten Jahren beachtliche Erfolge erzielen. Als Alternative zum etablierten Reinforcement-Learning bieten sich neuroevolutionäre Lernverfahren an. Diese sind hochparallelisierbar, robuster und kommen besser mit sporadischen Belohnungen zurecht. Hierbei kommen evolutionäre oder genetische Optimierungsalgorithmen für das Training von neuronalen Netzen zum Einsatz. Im Rahmen unserer Forschung entwickeln wir neuartige neuronale Netzarchitekturen (sogenannte NaturalNets), die für eine bessere Skalierbarkeit mit indirekt enkodierten Genomen arbeiten können. In dieser Arbeit soll das indirekte Enkodieren von NaturalNets in unser bestehendes Neuroevolutions-Framework in der Programmiersprache Julia implementiert werden und anhand einer Labyrinth-Umgebung mit State-of-the-Art Verfahren (z.B. LSTMs, GRUs, Elman-Netzen) verglichen werden. Da unser Framework für rechenintensive Aufgaben das Julia-Package CUDA.jl nutzt, wird eine eigene Cuda-fähige GPU von Nvidia für die Entwicklung vorausgesetzt. Darüber hinaus steht für das Trainieren ein leistungsfähiger Workstation-PC mit einer Tesla V100 GPU zur Verfügung.