Zwei unterschiedliche Forschungsrichtungen, vereint durch eine gemeinsame Grundfrage: Wie können wir KI-basierte Systeme immer praxistauglicher, zuverlässiger und verständlicher gestalten ? Zum einen trainiert ein humanoider Roboter das Schlagzeugspielen, um seine motorischen Fähigkeiten zu verbessern. Zum anderen nutzt eine Studie zu optischen Netzwerken erklärbare KI, um die Entscheidungen von Modellen des maschinellen Lernens transparenter zu machen.
Diese beiden Bereiche haben die SUPSI- Forschung in den letzten Wochen international ins Rampenlicht gerückt. Der Trommelroboter LARO nahm am Davos Tech Summit 2026 teil, während eine Forschergruppe des Instituts für Informationssysteme und Netzwerke den Charles-Kao-Preis der IEEE Communications Society 2026 für die beste wissenschaftliche Arbeit im Bereich optische Kommunikation und Netzwerke erhielt.
Diese scheinbar weit voneinander entfernten Bereiche sind also durch eine gemeinsame Herausforderung verbunden: die Entwicklung künstlicher Intelligenz über die automatische Ausführung von Aufgaben hinaus voranzutreiben und gleichzeitig die Probleme des Lernens, der Anpassung und des Vertrauens in maschinelle Entscheidungen anzugehen.
Ein internationales Laboratorium, das sich der Technologie widmet
Der Davos Tech Summit bringt Forschungsgruppen, Unternehmen, Startups und Institutionen zusammen, die sich der technologischen Innovation verschrieben haben und über die Auswirkungen neuer Technologien auf die Gesellschaft reflektieren.
Die Ausgabe 2026 legte besonderen Wert auf Robotik und verwandelte verschiedene Orte in der Stadt in eine Art „Roboterstadt“. Mehr als 55 Systeme, darunter humanoide Roboter, Vierbeiner, Drohnen und andere intelligente Maschinen, waren an Demonstrationen beteiligt, die das Potenzial für die Interaktion zwischen Menschen und autonomen Systemen aufzeigen sollten.
Zu den Protagonisten der Initiative gehörte LARO, ein humanoider Schlagzeugroboter, der als Forschungsplattform zur Untersuchung des Erwerbs komplexer motorischer Fähigkeiten eingesetzt wurde.
In diesem Fall ist Musik nicht das eigentliche Ziel des Projekts. Das Schlagzeugspielen wird vielmehr zu einem Mittel, um eine Reihe von Fähigkeiten zu testen, die für die Entwicklung humanoider Roboter von zentraler Bedeutung sind: die gleichzeitige Koordination mehrerer Gliedmaßen, Präzision der Bewegungen, Einhaltung des richtigen Timings und die Fähigkeit, Aktionen an die jeweiligen Einsatzbedingungen des Roboters anzupassen.
LARO und Lernbewegung
Das Projekt mit dem Titel Robot Drummer: Learning Rhythmic Skills for Humanoid Drumming steht im Mittelpunkt der Forschungsaktivitäten von Asad Ali Shahid, SUPSI-Forscher in der Gruppe LEarning for Optimization and coNtrol (LEON) des Dalle Molle Institute for Artificial Intelligence Studies, IDSIA USI-SUPSI.
Der Beitrag des Forschers konzentriert sich insbesondere auf das Training von Modellen der künstlichen Intelligenz, die es dem Roboter ermöglichen, neue Bewegungen zu erlernen und diese Fähigkeiten auf das physische System zu übertragen. Die Forschung wird unter der Leitung von Professor Loris Roveda, außerordentlicher Professor für Integrierte Intelligenz für Robotik am Lehrstuhl für Innovative Technologien der SUPSI und am Polytechnikum Mailand, durchgeführt.
Der Ansatz dieser Arbeit weicht von einem Modell ab, das ausschließlich auf der Vorprogrammierung jeder einzelnen Geste basiert. Stattdessen wird LARO eingesetzt, um progressive Lernprozesse zu untersuchen, durch die der Roboter spezifische motorische Fähigkeiten entwickeln und verfeinern kann.
Das Schlagzeugspiel stellt eine besonders anspruchsvolle Herausforderung dar. Um eine stimmige Darbietung zu erzielen, genügt es nicht, einfach nur ein Gliedmaß in Richtung eines Ziels zu bewegen: Man muss mehrere Körperteile koordinieren, einen zeitlichen Ablauf einhalten, die Kraft und Präzision der Bewegungen kontrollieren und ein beständiges Verhältnis zum Rhythmus bewahren.
Diese Aspekte könnten, sofern sie zuverlässig weiterentwickelt werden, auch in anderen Bereichen als der Musik von Nutzen sein. Die Erforschung motorischer Fähigkeiten kann zur Entwicklung autonomerer und anpassungsfähigerer Roboter beitragen, die potenziell in Situationen eingesetzt werden können, in denen die einfache Wiederholung vordefinierter Bewegungen nicht ausreicht.
Weitere Informationen zum Projekt finden Sie in der SUPSI-Studie „ Neue Grenzen der Musik: ein humanoider Roboter, der Schlagzeug spielt“.
Von der Handlungsfähigkeit bis zum Erklärungsbedarf
Während LARO sich mit dem Problem befasst, wie eine Maschine lernen kann, immer komplexere Aktionen auszuführen, konzentriert sich ein anderes SUPSI-Forschungsprojekt auf eine komplementäre Frage: Wie lassen sich die Entscheidungen von Systemen der künstlichen Intelligenz verstehen und überprüfen?
Am 5. August wurde die Auszeichnung an Omran Ayoub, Davide Andreoletti und Professorin Silvia Giordano vom Institut für Informationssysteme und Netzwerke (ISIN ) verliehen. Die Forscher erhielten den Charles-Kao-Preis der IEEE Communications Society 2026 für die beste Veröffentlichung im Bereich optische Kommunikation und Netzwerke.
Der Preis ist nach Sir Charles Kao benannt, dem Physik-Nobelpreisträger von 2009 und einer Schlüsselfigur in der Entwicklung der Glasfaserkommunikation. Er wird jährlich für die beste in den drei Jahren zuvor im IEEE/Optica Journal of Optical Communications and Networking (JOCN) veröffentlichte Arbeit verliehen.
Zu den Bewertungskriterien gehören wissenschaftliche Qualität, Originalität, Forschungswirkung, Klarheit der Darstellung und die Fähigkeit, neue potenzielle Forschungsrichtungen aufzuzeigen.
Der Forschungspreis für optische Netzwerke
Die Ausgabe 2026 würdigte die Arbeit „ Towards Explainable Artificial Intelligence in Optical Networks: The Use Case of Lightpath QoT Estimation“ , die im Januar 2023 veröffentlicht wurde.
Neben Omran Ayoub, Davide Andreoletti und Silvia Giordano von SUPSI sind Sebastian Troia und Massimo Tornatore vom Polytechnikum Mailand sowie Andrea Bianco und Cristina Rottondi vom Polytechnikum Turin Mitautoren des Artikels.
Die Studie konzentriert sich auf die Anwendung von erklärbarer künstlicher Intelligenz (XAI) im optischen Netzwerkmanagement. In diesem Bereich können Modelle des maschinellen Lernens zur Automatisierung von Vorhersagen und Entscheidungen eingesetzt werden, wobei Genauigkeit allein jedoch nicht immer ausreichend ist.
Eines der meistdiskutierten Themen beim Einsatz künstlicher Intelligenz betrifft die Funktionsweise sogenannter „Black Boxes“: Systeme, die in der Lage sind, sehr präzise Ergebnisse zu liefern, ohne den Weg, der zu einer bestimmten Vorhersage geführt hat, sofort offenzulegen.
Werden diese Modelle auf wichtige Infrastrukturen angewendet, gewinnt die Fähigkeit, ihre Entscheidungen zu verstehen und zu überprüfen, an Bedeutung.
Entscheidungen überprüfbar machen
Die prämierte Arbeit befasst sich mit der Schätzung der Übertragungsqualität (QoT), einem Parameter, der zur Vorhersage der Signalqualität entlang einer optischen Verbindung verwendet wird.
Mithilfe erklärbarer KI-Techniken analysierten die Forscher die Möglichkeit zu überprüfen, ob die von den Modellen gelieferten Indikatoren mit den physikalischen Phänomenen übereinstimmen, die die Funktionsweise der Netzwerke steuern. Dieser Ansatz könnte dazu beitragen, Prognosen zuverlässiger zu gestalten und Anomalien vor der Systemimplementierung zu erkennen.
Laut Omran Ayoub, Co-Leiter des wissenschaftlichen Bereichs Vertrauenswürdige und sichere Computernetzwerke , stellt die Arbeit einen der ersten internationalen Beiträge dar, die sich der Einführung und Anwendung von erklärbarer KI im Bereich optischer Netzwerke widmen.
Die Anerkennung bestätigt, so der Forscher, einen Forschungsansatz, der darauf abzielt, künstliche Intelligenz und maschinelles Lernen nicht nur leistungsstark, sondern auch interpretierbar und nutzbar für die Automatisierung von Kommunikationsnetzen zu machen.
Die Suche nach Autonomie und Zuverlässigkeit
Roboter, die lernen, die Zeit zu schlagen, und Algorithmen, die ihre Vorhersagen berücksichtigen müssen, gehören zwei unterschiedlichen Anwendungsgebieten an. Beide verdeutlichen jedoch einen laufenden Wandel in der Forschung zur künstlichen Intelligenz.
Einerseits wächst das Interesse an Maschinen, die Fähigkeiten erlernen und ihr Verhalten an komplexe Aufgaben anpassen können. Andererseits steigt der Bedarf, zu bewerten, zu verstehen und zu überprüfen, wie Algorithmen zu ihren Schlussfolgerungen gelangen.
Im ersten Fall stellt LARO ein Experiment zur Beziehung zwischen maschinellem Lernen und physikalischer Bewegungssteuerung dar. Im zweiten Fall befasst sich die mit dem Sir Charles Kao Award ausgezeichnete Studie mit der Frage der Modelltransparenz beim Management von Kommunikationsinfrastrukturen.
Die SUPSI-Forschung bewegt sich daher an zwei Fronten, die zunehmend miteinander verflochten werden könnten: die Entwicklung intelligenter Systeme, die zu mehr fähig sind, und gleichzeitig die Gewährleistung, dass deren Funktionsweise ausreichend zuverlässig, überprüfbar und verständlich bleibt.
Vielleicht liegt eine der größten Herausforderungen der technologischen Evolution genau in diesem Gleichgewicht: nicht nur Maschinen zu bauen, die lernen, sich bewegen und Entscheidungen treffen können, sondern auch die Werkzeuge zu entwickeln, die nötig sind, um zu verstehen, wie sie das tun und inwieweit es möglich ist, ihnen immer komplexere Aufgaben anzuvertrauen.
