Neue Expertise zur Künstlichen Intelligenz: Philipp Berens einer von fünf neuberufenen Professoren

Die Universität Tübingen baut ihre Expertise im Bereich der Künstlichen Intelligenz weiter aus: Fünf neue Professuren wurden mit Wissenschaftlerinnen und Wissenschaftlern besetzt, die im Bereich des Maschinellen Lernens forschen. Einer der Neuberufenen ist Philipp Berens, der sich mit den neuronalen Schaltkreisen der Netzhaut befasst. Er arbeitet daran, insbesondere bei Augenerkrankungen maschinelle Lernalgorithmen für die klinische Diagnostik einzusetzen.

Philipp Berens (geb. 1981) wurde im April 2018 auf die Heisenberg-Professur für „Data Science in der Sehforschung“ am Forschungsinstitut für Augenheilkunde der Medizinischen Fakultät berufen. Er war dort bereits seit 2016 Leiter der gleichnamigen Forschungsgruppe und ist Mitglied des Tübinger Exzellenzclusters Werner Reichardt Centrum für Integrative Neurowissenschaften (CIN).

Berens hat Bioinformatik und Philosophie an der Universität Tübingen studiert. Er forschte als Doktorand am Tübinger Max Planck Institut für biologische Kybernetik und am Baylor College of Medicine in Houston (USA) und wurde 2013 an der International Max Planck Research School in Tübingen zum Thema „Neuronale Codierung im visuellen Kortex“ promoviert. Als Postdoktorand forschte er am Bernstein Center for Computational Neuroscience im Labor von KI-Forscher Matthias Bethge an der Universität Tübingen, zudem war er Postdoktorand am Baylor College. 2015 erhielt er den Bernstein-Preis des Bundeforschungsministeriums, den weltweit höchstdotierten Nachwuchsförderpreis.

Als „Data Scientist“ untersucht Berens im Forschungsinstitut für Augenheilkunde die neuronalen Schaltkreise der Netzhaut. Er möchte die Prinzipien neuronaler Berechnungen beim Sehen entschlüsseln und zudem verstehen, wie die Arbeit der Nervenzellen im Auge bei Krankheiten beeinträchtigt wird. Seine Forschungsgruppe entwickelt Maschinelle Lernalgorithmen, die in der klinischen Diagnostik solcher Krankheiten eingesetzt werden können. „Sowohl in der Grundlagenforschung als auch in der klinischen Diagnostik gibt es zunehmend komplizierte, multimodale Datensätze: Diese kombinieren unterschiedliche Datentypen, beispielsweise aus der Physiologie, Anatomie oder Genetik. Die Zusammenführung der Datentypen stellt uns noch vor große Herausforderungen”, erklärt er.

Quelle: Eberhard Karls Universität Tübingen