Ein wissenschaftlicher Meilenstein für die FH Salzburg: Das Department Information Technologies war mit einer ausgezeichneten Forschungsarbeit auf der International Conference on Machine Learning (ICML) 2026 vertreten – einer der weltweit renommiertesten Konferenzen im Bereich Künstliche Intelligenz und Machine Learning.
Mit über 24.000 eingereichten wissenschaftlichen Arbeiten und mehr als 20.000 Teilnehmer zählt die ICML zu den wichtigsten internationalen Foren für KI-Forschung. Nur rund ein Viertel der Einreichungen wurde überhaupt zur Präsentation angenommen. Dass die Forschungsgruppe des Josef Ressel Zentrum für Intelligente und Sichere Industrieautomatisierung (JRZ ISIA) darüber hinaus einen Spotlight-Vortrag erhielt und damit zu den Top 2,2 % aller Einreichungen gehörte, unterstreicht die außergewöhnliche wissenschaftliche Qualität der Arbeit.
Für die FH Salzburg und insbesondere das Department Information Technologies markiert dieser Erfolg einen Meilenstein: Er zeigt, dass exzellente Grundlagenforschung auch an einer vergleichsweise kleinen Forschungsgruppe internationale Sichtbarkeit und höchste wissenschaftliche Anerkennung erreichen kann.
Vier Jahre Aufbauarbeit – anderthalb Jahre Forschung an einem Paper
Der Erfolg ist das Ergebnis langfristiger wissenschaftlicher Arbeit. Hinter dem ausgezeichneten Paper stehen vier Jahre konsequenter Aufbau des JRZ ISIA sowie eineinhalb Jahre intensive Forschung an genau dieser Fragestellung.
Im Mittelpunkt steht ein Problem aus dem Bereich des Reinforcement Learning (RL) – jener Disziplin der Künstlichen Intelligenz, in der lernende Systeme selbstständig Strategien entwickeln, indem sie aus Erfolg und Misserfolg lernen. Reinforcement Learning bildet heute die Grundlage zahlreicher Anwendungen – von autonomen Fahrzeugen über Robotik bis hin zu Energieoptimierung oder intelligenten Assistenzsystemen.
Dem Forschungsteam gelang es, ein 36 Jahre ungelöstes mathematisches Problem rund um den bekannten RL-Benchmark "Mountain Car" zu lösen. Auf dieser Grundlage entwickelte das Team eine neue Klasse von Reinforcement-Learning-Policies auf Basis mehrdimensionaler Chebyshev-Polynome, die den bisherigen Stand der Technik deutlich übertrifft.
Ein weiterer wesentlicher Beitrag besteht darin, dass erstmals die optimale Lösung dieses Benchmark-Problems exakt bestimmt werden konnte. 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 industriellen Innovation
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 zeigt sich beispielhaft, wie Grundlagenforschung unmittelbar den Weg in industrielle Anwendungen findet. FH-Rektor Dominik Engel würdigt diesen 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.“
Große Resonanz auf der ICML
Die Forschung stieß auch während der Konferenz auf großes Interesse. Das Team präsentierte seine Ergebnisse zunächst im Spotlight-Vortrag und anschließend in einer Postersession.
Besonders die theoretische Herleitung der neuen Methode sorgte für intensive Diskussionen. Viele Forschende zeigten sich überrascht, dass die Lösung nicht über klassische Verfahren der optimalen Steuerung entstand, sondern durch einen völlig neuen mathematischen Zugang.
Ein Teilnehmer berichtete dem Forschungsteam, dass sich seine Doktorarbeit vor rund zehn Jahren mit genau diesem Mountain-Car-Problem beschäftigt habe und er sich damals immer gefragt habe, wie die optimale Lösung tatsächlich aussieht. Dass diese nun erstmals bekannt ist, sei für ihn ein besonderer Moment gewesen.
Warum diese Forschung relevant ist
Reinforcement Learning ermöglicht es intelligenten Systemen, komplexe Entscheidungen selbstständig zu erlernen – beispielsweise für autonome Fahrzeuge, Robotik, Energiesysteme oder moderne KI-Assistenten.
Bislang war jedoch bei vielen Standardproblemen gar 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.
Darüber hinaus zeigt die neue Forschung, 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.
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.
Stefan Huber
Leiter des JRZ ISIA
„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.“