
Forschungsgruppe
Praktische Informatik
Professur Stefan BosseWissenschaft und Wissen schaffen
Sensorik, Sensornetzwerke, Materialintegrierte Sensorische Systeme
Wir beschäftigten uns in der Forschung mit der Verarbeitung von Sensordaten im weitesten Sinne. Die Arbeit ist interdisziplinär und findet in enger Zusammenarbeit mit den Ingenieurswissenschaften, der Elektro- und Mikrosystemtechnik, Produktionstechnik, und sogar den Sozialwissenschaften statt. Dabei stehen Kleinstcomputer im Fokus die kleiner als ein Stecknadelkopf sind. Wir versuchen klassische Konzepte der Informatik und des Maschinellen Lernens auf diese Kleinstrechner abzubilden und zu skalieren, häufig durch starke Vernetzung unterstützt. Virtualisierung auf und mit diesen Kleinstrechnern ist ein wichtiges Bindeglied für breite Einsetzbarkeit und Robustheit und ist als modernes Betriebssystem zu verstehen. Schließlich sind wir an der Integration dieser Rechner in Materialien und technische Bauteile interessiert (Materialintegrierte Sensorische und Intelligente Systeme), um zum Beispiel Strukturüberwachung als Anwendung zu ermöglichen.

Wireless Agent-based Distributed Sensor Tuple Spaces using Bluetooth and IP Broadcasting http://dx.doi.org/10.15439/2022F119
Ein mobiles ad-hoc Sensornetzwerk mittels Bluetooth Kommunikation mit verteilten Tupelräumen als Datenspeicher. Dabei dienen Baken (b) als Zwischenwirt für Daten, die von vorbeiziehenden Geräte entweder geliefert oder mitgenommen werden können. Die Kommunikation verwendet Bluetooth Broadcasting und Advertising für die bidirektionale Kommunikation zwischen Geräten.
Organische Elektronik
Neue additive Fertigungstechnologien (Drucktechnologien) erlauben die Herstellung von elektronischen Komponenten im Kleinmaßstab und Druck auf beliebigen Materialien, und daher beschäftigen wir uns auch mit Analogrechnern die mit solchen (organischen) elektronischen Bauteilen konstruiert werden können. Nur leider sind diese Elektronikschaltungen mit gedruckten Transistoren durch Unzuverlässigkeit und Parameterstreuung schwer klassisch zu konstruieren und wir wollen dafür moderne Algorithmen wie Evolutionäre und Genetische Algorithmen einsetzen, ebenso simulative Methoden, um diese Analogrechner sinnvoll und zuverlässig in digitale Systeme zu integrieren (als Co-Prozessoren). Zentrale Technologie ist Organische Elektronik, die im eigenen Labor mit Druckverfahren hergestellt werden kann. Auch hier spielt Virtualisierung als Abstraktion eine zentrale Rolle.

Electronics 2026, 15(21), 4888;https://doi.org/10.3390/electronics15214888
Layout und gefertigte Beispiele für Organische Elektrochemische Transistoren. Noch relativ groß ("for convenience "), aber es geht auch kleiner.
Analogrechner
Die Informatik beschäftigt sich mit der Verarbeitung von digitalen Daten mit digitalen Rechnersystemen. Aber geht es nicht auch anders? Snesorsignale sind i.A. analog, d.h., wert- und zeitkontinuierlich. Diese analogen Signale müssen für digitale Systeme zunächst digitalisiert werden, was immer ein Informationsverlusrt bedeutet. Wir beschäftigen uns mit der Frage ob diese Sensorsignale nicht gleich mit analogen Systmen und Analogrechnern verarbeitet werden können. Dabei bedienen wir uns konvetioneller Elektroink basierend auf Silizium und der Organischen Elektronik als Technologien. Wir erforschen Architekturen und Algorithmen für den Entwurf von Analogrechnern. Auch KI und Künstliche Neuronale Netzwerke können vollständig analog implementiert werden. Der Vorteil kann ein viel niedrigerer Ressourcenbedarf sein. Und analoge Schaltungen sind derzeit die einzigen die mit Organischer Elektronik aufgrund der noch niedrigen Integrationsdichten sinnvoll implementiert werden können, gerade mit den bei uns verwendeten digitalen Drucktechnologien (Ink-jet Materialdruck) und Siebdruck.
Gemäß Bernd Ulmann, einem Pionier der analogen Rechentechnik im postmodernen Zeitalter: »Es kann nur analog geben. Digital ist unterkomplex und auch nicht menschlich genug.«
Analoge Rechnersysteme simulieren die Physik. So können Sie direkt zur Berechnung und Lösung von Differentialgleichungen eingesetzt werden, indem sie diese Differentialgleichungen mit Operationsverstärkern implementieren.

Design of Analog Computers: Building Blocks and Advanced Methods for Tiny Analog Machine Learning with Surrogate Modeling https://doi.org/10.1016/j.procs.2026.02.028
Ein analoges Künstliches Neuronales Netzwerk, hier benutzt um rein analog den IRIS Datensatz zu klassifizieren. Eingang sind vier Spannungen 0-1V, die die vier IRIS Eigenschaftsvariablen bestimmen, Ausgang sind drei Signale (0V-3V) die die Klassen versicolor, verginica, und setosa repräsentieren. Das AKNN besteht aus ganzen 36 Transistoren (6 Neuronen), ein Mikroprozessoir für die digitale Berechnung eines KNN braucht mindenstens 10000 Transistoren.
Erklärbare KI und Generative Modelle
Datengetriebene Methoden, bekannt als Maschinelles Lernen, benötigen Daten. Nicht irgendwelche, sondern qualitativ hochwertige Daten die einen großen Parameterraum abdecken damit Modelle nicht spezialisieren. Doch experimentelle Daten sind häufig dünn besetzt und synthetische Daten-bzw. Signalerzeugung ist erforderlich. Neben der Simulation, die wir im bereich der Ultraschallmesstechnik mit ietrtaiven diskretisierten Lösern für viskoelastische Wellengleichungen einsetzen, beschäftigen wir uns mit Generativen Modellen um Sensorsignale synthetisch erzeugen zu können. Doch hier fangen die Probleme an. Die Signaldaten sollen plausibel und physikalisch korrekt sein, so wie die experimentellen Sensordaten. Das ist das Feld der Erklärbaren KI, hier besonders Nachvollziebarkeit von Blackbox Modellen, Plausibilität, Inter- und Extrapolationsfähigkeit, Parameterraumabdeckung und physikalische Erklärbarkeit von prädiktiven und generativen ML Modellen. Beispiele sind die bekannten Generative Adversarial Networks (GAN), Diffusionsmodelle, und Autoencoder basierte Modelle, die alle mit stochastischen Prozessen neue Daten erzeugen sollen, und das möglichst parametrische steuerbar.
Data-driven Parameterizable Generative Adversarial Networks for Synthetic Data Augmentation of Guided Ultrasonic Wave Sensor Signals https://doi.org/10.58286/29787
Die gefürchtete Realitätslücke am Beispiel der Ausbreitung von Ultraschallwellen in Materialien (hier Aluminium Platte mit einem runden Fehler): (Links) Simulation des Wellenfeldes (Rechts) Mit Luftultraschall gemessenes Wellenfeld einer realen Probe (Faser-Metall-Laminat Platte)
Lehre
In der Lehre bieten wir die klassischen Veranstaltungen "Grundlagen der Betriebssysteme" und "Algorithmen und Datenstrukturen" an, die zusammen eine Säule der Informatik darstellen und Grundlage für täglich genutzte Rechneranlagen sind. Dabei sollen neben formalen Methoden vor allem die praktische Realisierung und Programmierung von Betriebssystemen anhand von Experimenten und Laborübungen vermittelt werden. Weiterhin bieten wir eine Einführung in die Elektronik für Informatiker, programmieren mobile Anwendungen mit Multiagentsysetmen, und rechnen parallel mit Lua.

Eine Messanlage für die automatisierte und ortsaufgelöste Untersuchung von Proben mit Luftultraschallprüftechnik um verdeckte Schäden in Materialien zu detektieren, hier am Beispiel eigen gefertigter Faser-Metall-Laminat Platten, die besonders herausfordernd in der Schadensdiagnostik sind..
Forschung
Die Forschungsschwerpunkte sind vielfältig und umfassen Virtualisierung in Sensornetzwerken und mobilen Netzwerkumgebungen, generative Modelle und Verfahren für die synthetische Sensordatenerzeugung, Verteilte Künstliche Intelligenz, Erklärbare und Navhvollziehbare KI im Kontext von Sensordaten mit physikalischer Korrektheit, und analoges Rechnen (Analogcomputer) sowie Organische Elektronik und Druckverfahren
- Informatik in der Mess- und Prüftechnik
- Informatik in den Materialwissenschaften und Maschinenbau
- Informatik in der Elektronik
- Informatik in der Sensordatenverarbeitung
- Physik in der Informatik!
Wir verbinden die Informatik mit Technologien. So beschäftigen wir uns mit dem Elektronikentwurf, der additiven Fertigung von Orgnischer Elektronik, und dem Aufbau von Mess- und Prüfsystemen.
Für die additive Fertigung steht ein Drucklabor zur Verfügung, wo neben Siebdruck auch Drop-on-demand Technologien ("Ink-jet", Mikrodispenser) eingesetzt werden um funktionale 3D Strukturen herstellen zu können.
Dabei steht bei der Mess- und Prüftechnik die Erlangung von Messdaten für die algorithmische Verarbeitung und Maschinellen Lernen im Vordergrund. Wir nutzen verschiedene Messverfahren, z.B. Ultraschall oder Wirbelstromtechnik um verborgene Eigenschaften von Materialien untersuchen zu können (Schadensdiagnostik, NDT).




