FH Salzburg löst 36 Jahre altes KI-Problem

Ein Forschungsteam der FH Salzburg hat bei der International Conference on Machine Learning (ICML) 2026 einen bedeutenden Erfolg erzielt. Die Konferenz zählt zu den weltweit wichtigsten Veranstaltungen im Bereich Künstliche Intelligenz und Machine Learning.

Von etwa 24.000 eingereichten Arbeiten und mehr als 20.000 Teilnehmenden wurde nur rund ein Viertel zur Präsentation zugelassen. Die Forschungsgruppe des Josef Ressel Zentrums für Intelligente und Sichere Industrieautomatisierung (JRZ ISIA) erhielt darüber hinaus einen Spotlight-Vortrag. Damit zählt die Arbeit zu den Top 2,2 Prozent aller Einreichungen.

Für das Department Information Technologies and Digitalisation der FH Salzburg stellt dieser Erfolg einen Meilenstein dar. Er belegt, dass auch eine vergleichsweise kleine Forschungsgruppe exzellente Grundlagenforschung mit internationaler Sichtbarkeit und höchster wissenschaftlicher Anerkennung leisten kann.

Lösung eines jahrzehntealten mathematischen Problems

Die ausgezeichnete Forschungsarbeit ist das Ergebnis von vier Jahren Aufbauarbeit am JRZ ISIA sowie eineinhalb Jahren intensiver Forschung an der konkreten Fragestellung. Im Zentrum steht ein Problem aus dem Reinforcement Learning (RL) – jener Disziplin der Künstlichen Intelligenz, bei der Systeme eigenständig Strategien entwickeln, indem sie aus Erfolg und Misserfolg lernen.

Das Team löste ein 36 Jahre ungelöstes mathematisches Problem rund um den bekannten RL-Benchmark „Mountain Car“. Auf dieser Basis entwickelten die Forschenden eine neue Klasse von Reinforcement-Learning-Policies auf Grundlage mehrdimensionaler Chebyshev-Polynome, die den bisherigen Stand der Technik deutlich übertrifft.

Ein weiterer wesentlicher Beitrag: Erstmals konnte die optimale Lösung dieses Benchmark-Problems exakt bestimmt werden. Dadurch lassen sich bestehende RL-Verfahren erstmals objektiv hinsichtlich ihres tatsächlichen Abstands zur optimalen Lösung bewerten – ein wichtiger Schritt für die Weiterentwicklung der gesamten Forschungsdisziplin.

Von der Grundlagenforschung zur Patentanmeldung

Die wissenschaftlichen Erkenntnisse bleiben nicht auf theoretischer Ebene. Sie bilden zugleich die Grundlage einer gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen Ansteuerung von Elektromotoren. Damit findet die Grundlagenforschung unmittelbar den Weg in industrielle Anwendungen.

FH-Rektor Dominik Engel würdigte den Erfolg: „Ein 36 Jahre offenes Problem zu lösen, daraus eine neue Klasse von Reinforcement-Learning-Policies abzuleiten und nebenbei den State of the Art zu schlagen, ist ein echter Durchbruch. Dass dieser Durchbruch direkt die Basis für die Patentanmeldung mit B&R/ABB bildet, zeigt eindrucksvoll, was das JRZ-Modell leisten kann, wenn Grundlagenforschung und industrielle Anwendung wirklich ineinandergreifen.“

Neue Perspektiven für Reinforcement Learning

Reinforcement Learning ermöglicht es intelligenten Systemen, komplexe Entscheidungen selbstständig zu erlernen – beispielsweise für autonome Fahrzeuge, Robotik, Energiesysteme oder moderne KI-Assistenten. Bislang war bei vielen Standardproblemen nicht bekannt, wie weit bestehende Verfahren tatsächlich von der optimalen Lösung entfernt sind. Erst durch die nun gefundene exakte Lösung lässt sich diese Frage wissenschaftlich beantworten.

Die neue Forschung zeigt zudem, dass geeignete mathematische Modelle – in diesem Fall Chebyshev-Polynome – neuronalen Netzen in bestimmten Anwendungen deutlich überlegen sein können. Das entwickelte Verfahren reduziert den Abstand zur optimalen Lösung um den Faktor sechs und eröffnet damit neue Perspektiven für zukünftige Reinforcement-Learning-Verfahren.

Stefan Huber, Leiter des Josef-Ressel-Zentrums ISIA, erklärte: „Unser Ziel war nie nur, einen bestehenden Algorithmus ein wenig zu verbessern. Wir wollten verstehen, wie weit heutige Reinforcement-Learning-Verfahren tatsächlich von der optimalen Lösung entfernt sind. Dass daraus die Lösung eines seit 36 Jahren offenen Problems entstanden ist und die Ergebnisse gleichzeitig in industrielle Anwendungen einfließen können, zeigt, welches Potenzial in langfristiger Grundlagenforschung steckt.“

Hybride Systeme als nächster Schritt

Aktuell arbeitet das Forschungsteam rund um Stefan Huber bereits an der nächsten Generation dieser Methoden. Ziel ist es, die Vorteile der neuen mathematischen Ansätze mit den Stärken neuronaler Netze zu hybriden Verfahren zu verbinden und so auch hochdimensionale Anwendungen wie humanoide Robotik effizient zu lösen.

Mit dem Auftritt auf der ICML 2026 hat das Department Information Technologies eindrucksvoll gezeigt, dass Forschung an der FH Salzburg international sichtbar ist und wissenschaftliche Beiträge liefern kann, die weit über die Hochschulgrenzen hinaus Wirkung entfalten.

Quelle: OTS