Methoden des maschinellen Lernens helfen bei der Entwicklung von Antikörper-Medikamenten, diese zu optimieren. Das führt zu Wirkstoffen mit verbesserten Eigenschaften, auch bezüglich Verträglichkeit im Körper.
Forscher an der University of Tokyo haben einen Sensor für Soft-Roboter entwickelt, dessen Seele ein Gummischlauch ist. Er ist mit Kohlenstoffpartikeln angereichert, sodass er eine geringe elektrische Leitfähigkeit hat. Umhüllt ist er von einem Geflecht aus Draht. Wenn dieses Gebilde gestreckt beziehungsweise zusammengedrückt wird, wie es bei künstlichen Muskeln geschieht, verändert sich der elektrische Widerstand des Schlauchs. Dies lässt sich nutzen, um den Muskel zu steuern, sodass er möglichst wenig belastet wird und sich an die Umgebung anpasst.
Künstliche Intelligenz hat in den vergangenen Jahren Einzug in den Alltag von Menschen gehalten, sei dies beim autonomen Fahren, der Übersetzung von Fremdsprachen oder in der medizinischen Diagnostik. Auch in der chemischen Forschung sind die Bestrebungen gross, künstliche Intelligenzen, maschinelles Lernen genannt, effektiv anzuwenden. Chemiker konnten solche Technologien bereits erfolgreich einsetzen, um die Eigenschaften einzelner Moleküle vorherzusagen – was es ihnen erleichtert, die herzustellenden Verbindungen auszuwählen.
Forschende der ETH Zürich und des Inselspitals Bern entwickelten eine Methode, mit der Kreislaufversagen von PatientInnen auf der Intensivstation mit hoher Zuverlässigkeit vorhergesagt werden kann. Medizinisches Personal kann so früher intervenieren. Dem Ansatz zugrunde liegt die Auswertung umfangreicher Patientendaten durch Methoden des maschinellen Lernens.
Der heutige Maschinenbau hat in der DACH-Region (Deutschland, Österreich, Schweiz) eine lange Geschichte. Da in der Produktentwicklung circa 70 Prozent der Produktkosten entschieden werden, sind gut fundierte Entscheidungen heute unabdingbar. Diesbezüglich entwickelt V-Research (Fachhochschule Dornbirn) eine Lösung, die basierend auf CAD und Maschinendaten mittels maschinellen Lernens den Konstrukteur in Entscheidungen hinsichtlich kostenoptimierter Toleranzierung von Bauteilen unterstützt.
