Deep Learning ist der Bereich der Künstlichen Intelligenz (KI), in dem in den letzten Jahren sehr große Fortschritte erzielt werden konnten. Die meisten neuen Verfahren in diesem Bereich werden im Kontext von Bild- und Video-Daten von alltäglichen Szenen entwickelt. Eine Übertragung auf in der Gesundheitsindustrie, Pharma-, Chemie- und Lebensmittelproduktion vorliegende Daten und Aufgabenstellungen ist vielversprechend, aber nicht ohne spezielle Forschung möglich. M²Aind-DeepLearning stellt sich dieser Herausforderung, um die Vorteile des hohen Innovationspotentials von Deep Learning Methoden für weitere Anwendungsfelder in der Impulspartnerschaft nutzbar zu machen. Während Deep Learning Bestandteil aller M²Aind Impulsprojekte ist, verfolgen die konkreten Arbeitspakete dieses Projekts jeweils ergänzende themenzentrierte Lösungsansätze. Die bearbeiteten Themen sind so gewählt, dass die untersuchten Lösungen in verschiedenen Sektoren der M²Aind-Impulspartnerschaft Anwendungspotential besitzen und effektive Schnittstellen mit anderen Impulsprojekten bieten.

In M²Aind-DeepLearning sollen Innovationen in den drei ergänzenden Anwendungsfeldern Lebenszyklus-Monitoring, bildgebende Massenspektrometrie und Hygiene-Monitoring grundlagennah erforscht werden. Im Bereich des Lebenszyklus-Monitoring werden Verfahren zur Modellierung bzw. Erzeugung von künstlichen domänenspezifischen Daten für das hybride Training von Deep-Learning Modellen untersucht. Im Bereich der Massenspektrometrie entsteht eine interaktive web-basierte Plattform für Deep-Learning Experimente. Im Bereich des Hygiene-Monitoring sollen Verfahren zur Detektion von Mikroorganismen in Petrischalen erforscht werden. Die Herausforderungen aller Arbeitspakete liegen insbesondere in der Erarbeitung geeigneter Methoden sowie in der Aufbereitung geeigneter Lerndaten.