TU-Doktorand Nicholas Tagliapietra mit AAAI Outstanding Paper Award ausgezeichnet
Neue KI-Methode unterstützt Ursachenforschung in realen, dynamischen Systemen
18.02.2026
Klimawissenschaftler, Medizinerinnen oder Ökonomen untersuchen unterschiedliche komplexe Systeme, aber sie alle wollen verstehen, was passiert und vor allem, warum es passiert. Dafür suchen sie in Beobachtungsdaten nach kausalen Zusammenhängen, die zum Beispiel den Verlauf von Krankheiten oder die Veränderung von Klimamustern bestimmen. TU-Doktorand Nicholas Tagliapietra und weitere Forschende haben eine neue KI-gestützte Methode entwickelt, die Ursache-Wirkungs-Beziehungen automatisch erkennt. Anders als bisherige Verfahren kann sie auch unregelmäßig erfasste Daten verarbeiten. Für diesen neuen Ansatz erhielten die Forschenden Ende Januar den renommierten Outstanding Paper Award der 40th Annual AAAI Conference on Artificial Intelligence.
Bisherige Methoden sind nicht für unregelmäßig erfasste Daten geeignet
Reale Systeme wie der menschliche Körper oder das Klima verändern sich kontinuierlich durch komplexe Ursache-Wirkung-Beziehungen. Wie in einem Film, in dem sich die Handlung entwickelt. Die Mess- und Beobachtungsdaten, die Forschende nutzen, um diese kausalen Zusammenhänge zu finden, ähneln Schnappschüssen: Sie beschreiben den Zustand des Systems zu einem willkürlichen Zeitpunkt. Zum Beispiel notiert eine Studienteilnehmerin das unregelmäßige Auftreten von Schmerzen. Oder ein Klimaforscher sammelt Bilder und Messdaten immer dann, wenn eine Expedition möglich ist.
Forschende hatten für die Analyse dieser Daten bisher nur unzureichende Methoden: Ein etablierter Ansatz findet zwar kausale Zusammenhänge, funktioniert jedoch nur zuverlässig mit regelmäßig erhobenen Daten. Eine andere Methode bildet die kontinuierliche Veränderung des Systems ab, kann auch unregelmäßige Daten einordnen, findet jedoch keine oder sogar falsche kausale Zusammenhänge.
Leistungsstarkes Werkzeug für verschiedenste Disziplinen
TU-Informatiker Nicholas Tagliapietra hat mit weiteren Forschenden die neue Methode “Causal Discovery for Dynamic Timeseries (CADYT)” entwickelt, die beides kann: CaDyT ermöglicht es erstmals auch für Systeme, die sich im Laufe der Zeit verändern, kausale Zusammenhänge in unregelmäßig erhobenen Daten zu finden.
Die Forschenden verbinden hierfür Ansätze der Kausalität, der Informationstheorie und der dynamischen Systeme. Forschende verschiedenster Disziplinen erhalten mit CaDyT ein leistungsstarkes Werkzeug für ein besseres Verständnis komplexer, dynamischer Systeme. Tagliapietra forscht als externer TU-Doktorand am Bosch Center for Artificial Intelligence und wird von TU-Professor Kristian Kersting betreut.
AAAI Outstanding Paper Award
Die AAAI Conference on Artificial Intelligence ist eine der angesehensten Konferenzen der KI-Forschung. Google Scholar listet sie auf Platz 4 unter den wichtigen KI-Konferenzen weltweit. Von den etwa 24.000 eingereichten Beiträgen wurden nur ca. 4.000 angenommen und nur fünf erhielten einen Outstanding Paper Award. Darüber hinaus wurde die Arbeit für eine mündliche Präsentation ausgewählt. Eine Auszeichnung, die nur den hochwertigsten angenommenen Arbeiten vorbehalten ist.
Die Veröffentlichung
Nicholas Tagliapietra, Katharina Ensinger, Christoph Zimmer, Osman Mian: „Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis“, AAAI Conference on Artificial Intelligence (2026).
