Dr. rer. nat.

Hecker, Dirk

Filters

6
Reset filters

Settings
Now showing 1 - 6 of 6
No Thumbnail Available
Publication

tanh Neurons are Bayesian Decision Makers

2021 , Bauckhage, Christian , Sifa, Rafet , Hecker, Dirk

The hyperbolic tangent (tanh) is a traditional choice for the activation function of the neurons of an artificial neural network. Here, we go through a simple calculation that shows that this modeling choice is linked to Bayesian decision theory. Our brief, tutorial-like discussion is intended as a reference to an observation rarely mentioned in standard textbooks.

View
No Thumbnail Available
Publication

Max-Sum Dispersion via Quantum Annealing

2019 , Bauckhage, Christian , Sifa, Rafet , Hecker, Dirk , Wrobel, Stefan

We devise an Ising model for the max-sum dispersion problem which occurs in contexts such as Web search or text summarization. Given this Ising model, max-sum dispersion can be solved on adiabatic quantum computers; in proof of concept simulations, we solve the corresponding Schrödinger equations and observe our approach to work well.

View
No Thumbnail Available
Patent

Method and device for determining deformation of an object

2020 , Baumann, Daniel , Möller, Ronja , Vonolfen, Wolfgang , Hecker, Dirk , Bauckhage, Christian

Die Erfindung betrifft ein Verfahren zur Bestimmung von Verformungen an einem Objekt, wobei das Objekt beleuchtet wird und während der Beleuchtung bewegt wird. Dabei wird das Objekt mittels zumindest einer Kamera beobachtet und durch die Kamera zumindest zwei Kamerabilder zu unterschiedlichen Zeitpunkten erzeugt. In den Kamerabildern werden für durch Formmerkmale bewirkte Reflexionen am Objekt jeweils Polygonzüge ermittelt. Anhand des Verhaltens der Polygonzüge über die zumindest zwei Kamerabilder hinweg werden die Formmerkmale klassifiziert und es wird eine zweidimensionale Repräsentierung erzeugt, welche eine räumliche Verteilung von Verformungen abbildet. Die Erfindung betrifft außerdem eine entsprechende Vorrichtung.

View
No Thumbnail Available
Publication

A QUBO Formulation of the k-Medoids Problem

2019 , Bauckhage, Christian , Piatkowski, Nico , Sifa, Rafet , Hecker, Dirk , Wrobel, Stefan

We are concerned with k-medoids clustering and propose aquadratic unconstrained binary optimization (QUBO) formulation of the problem of identifying k medoids among n data points without having to cluster the data. Given our QUBO formulation of this NP-hard problem, it should be possible to solve it on adiabatic quantum computers.

View
No Thumbnail Available
Publication

Quantum Machine Learning. Eine Analyse zu Kompetenz, Forschung und Anwendung

2020 , Bauckhage, Christian , Brito, Eduardo , Daase, Inga , Franken, Lukas , Georgiev, Bogdan , Hecker, Dirk , Paschke, Adrian , Piatkowski, Nico , Soddemann, Thomas , Trabold, Daniel

In unserer Studie »Quantum Machine Learning« geben wir einen Einblick in das Quantencomputing, erklären, welche physikalischen Effekte eine Rolle spielen und wie diese dazu genutzt werden, Verfahren des Maschinellen Lernens zu beschleunigen. Neben den logischen Komponenten werden auch Techniken für die Implementierung der Hardware von Quantencomputern vorgestellt. Die Studie gibt außerdem einen Überblick über die aktuelle Forschungs- und Kompetenzlandschaft und ordnet die Position Deutschlands im internationalen Wettbewerb ein. Zudem stellt die Studie konkrete Anwendungsbereiche und Marktpotenziale für verschiedene Branchen vor. Denn in den kommenden Jahren werden Unternehmen aus unterschiedlichen Branchen vor der Herausforderung stehen, neue Markt- und Geschäftspotenziale mithilfe des Quantencomputings zu erarbeiten, um ihre Wertschöpfung zu steigern. Mit dieser Studie möchten wir Akteuren aus Wirtschaft, Wissenschaft und Gesellschaft Orientierung bieten und die Potenziale aufzeigen, die schon heute sichtbar sind und in Zukunft in Unternehmen Einsatz finden werden.

View
No Thumbnail Available
Publication

Informed Machine Learning for Industry

2019 , Bauckhage, Christian , Schulz, Daniel , Hecker, Dirk

Deep neural networks have pushed the boundaries of artificial intelligence but their training requires vast amounts of data and high performance hardware. While truly digitised companies easily cope with these prerequisites, traditional industries still often lack the kind of data or infrastructures the current generation of end-to-end machine learning depends on. The Fraunhofer Center for Machine Learning therefore develops novel solutions which are informed by expert knowledge. These typically require less training data and are more transparent in their decision-making processes.

View