FH Salzburg: KI‑Durchbruch löst 36 Jahre altes Problem

Ein Forschungsteam der FH Salzburg hat laut Aussendung ein seit 36 Jahren offenes mathematisches Problem im Bereich Reinforcement Learning (RL) gelöst und die Ergebnisse auf der International Conference on Machine Learning (ICML) 2026 präsentiert. Die Arbeit erhielt einen Spotlight-Vortrag und gehört damit zu den Top 2,2 Prozent der Einreichungen auf dieser Konferenz.

Die Ergebnisse bilden nach Angaben der FH Salzburg zugleich die Grundlage einer gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen Ansteuerung von Elektromotoren. FH-Rektor Dominik Engel und Stefan Huber, Leiter des Josef-Ressel-Zentrums ISIA, werden in der Aussendung mit direkten Aussagen zur Bedeutung der Arbeit zitiert.

Forschung aus Salzburg in den Top 2,2 Prozent weltweit

Die ICML 2026 zählt laut Aussendung rund 24.000 eingereichte wissenschaftliche Arbeiten und mehr als 20.000 Teilnehmer. Nur rund ein Viertel der Einreichungen wurde zur Präsentation angenommen. Die Forschungsgruppe des Josef Ressel Zentrums für Intelligente und Sichere Industrieautomatisierung (JRZ ISIA) erhielt darüber hinaus einen Spotlight-Vortrag und gehörte damit zu den Top 2,2 % aller Einreichungen.

Für die FH Salzburg und ihr Department Information Technologies and Digitalisation bezeichnet die Hochschule diesen Erfolg als Meilenstein. In der Aussendung heißt es, dass der Auftritt auf einer A*-Konferenz wie der ICML die internationale Sichtbarkeit der Fachhochschulforschung demonstriere.

Vier Jahre Aufbauarbeit

Hinter dem ausgezeichneten Paper steht nach Angaben der FH Salzburg vier Jahre Aufbauarbeit am JRZ ISIA sowie eineinhalb Jahre intensiver Forschung an genau dieser Fragestellung. Im Zentrum der Arbeit steht ein Problem aus dem Bereich des Reinforcement Learning, jener Disziplin der Künstlichen Intelligenz, in der lernende Systeme Strategien entwickeln, indem sie aus Erfolg und Misserfolg lernen.

Die Aussendung nennt Anwendungsfelder, in denen Reinforcement Learning heute laut FH eine Grundlage bildet: autonome Fahrzeuge, Robotik, Energieoptimierung oder intelligente Assistenzsysteme. Diese Beispiele werden im Meldungstext als kontextuelle Hinweise auf die Relevanz der Disziplin genannt.

Lösung des Mountain Car-Benchmarks und neue Reinforcement-Learning-Policies

Das Team der FH Salzburg berichtet, ein 36 Jahre ungelöstes mathematisches Problem rund um den bekannten RL-Benchmark „Mountain Car" gelöst zu haben. Auf dieser Grundlage entwickelten die Forschenden laut Aussendung eine neue Klasse von Reinforcement-Learning-Policies auf Basis mehrdimensionaler Chebyshev-Polynome.

Erstmalig sei dadurch die optimale Lösung dieses Benchmark-Problems exakt bestimmt worden. Die Hochschule schreibt, dass sich bestehende RL-Verfahren dadurch erstmals objektiv hinsichtlich ihres tatsächlichen Abstands zur optimalen Lösung bewerten lassen. Konkret nennt die Aussendung, dass das entwickelte Verfahren den Abstand zur optimalen Lösung um den Faktor sechs reduziert.

Grundlagenforschung mit direktem Nutzen für die Industrie

Die FH Salzburg betont in der Meldung, dass die wissenschaftlichen Erkenntnisse nicht rein theoretisch bleiben: Die Ergebnisse bilden die Grundlage einer gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen Ansteuerung von Elektromotoren. In der Aussendung wird diese Patentanmeldung als Beispiel genannt, wie Grundlagenforschung in industrielle Anwendungen münden kann.

FH-Rektor Dominik Engel wird in der Aussendung mit folgender Aussage zitiert: „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.“

Ein wichtiger Schritt für die KI-Forschung

Laut FH Salzburg war bei vielen Standardproblemen bislang nicht bekannt, wie weit bestehende Verfahren tatsächlich von der optimalen Lösung entfernt sind. Die nun gefundene exakte Lösung des Benchmark-Problems ermögliche es, diese Frage wissenschaftlich zu beantworten.

Die Meldung führt weiter aus, dass die neue Forschung zeige, dass geeignete mathematische Modelle, in diesem Fall Chebyshev-Polynome, neuronalen Netzen in bestimmten Anwendungen deutlich überlegen sein können. Die FH nennt als Ergebnis eine Reduktion des Abstands zur optimalen Lösung um den Faktor sechs und verweist darauf, dass dies Perspektiven für künftige Reinforcement-Learning-Verfahren eröffne.

Hybride KI-Systeme der nächsten Generation

Die FH Salzburg schreibt, dass das Forschungsteam um Stefan Huber bereits an der nächsten Generation der Methoden arbeite. Ziel sei, die Vorteile der neuen mathematischen Ansätze mit den Stärken neuronaler Netze zu hybriden Verfahren zu verbinden und so auch hochdimensionale Anwendungen wie humanoide Robotik zu adressieren.

Stefan Huber, Leiter des Josef-Ressel-Zentrums ISIA, wird in der Aussendung zitiert: „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.“

Begriffe erklärt: Reinforcement Learning, Mountain Car, Chebyshev-Polynome, Spotlight-Vortrag und JRZ ISIA

Reinforcement Learning (RL): Reinforcement Learning ist eine Teilrichtung der Künstlichen Intelligenz, in der Agenten durch Interaktion mit einer Umgebung lernen, Handlungen zu wählen, um Belohnungssignale zu maximieren. In der Aussendung wird RL als Disziplin beschrieben, in der Systeme selbstständig Strategien entwickeln, indem sie aus Erfolg und Misserfolg lernen.

Mountain Car: Der „Mountain Car" ist ein in der RL-Forschung verwendeter Benchmark, der laut Meldung als Prüfaufgabe für Algorithmen dient. In der Aussendung wird der Benchmark als zentrale Fragestellung des gelösten mathematischen Problems genannt.

Chebyshev-Polynome: Chebyshev-Polynome sind in der Meldung der Ausgangspunkt für die neu entwickelte Klasse von Reinforcement-Learning-Policies. Die Hochschule beschreibt, dass die Policies auf mehrdimensionalen Chebyshev-Polynomen basieren und damit einen wichtigen Beitrag zur Lösung des Benchmarks leisten.

Spotlight-Vortrag auf der ICML: Ein Spotlight-Vortrag ist laut Kontext eine besondere Präsentationsform auf der ICML, die über die reguläre Annahme zur Präsentation hinausgeht. Die Aussendung nennt die Zuweisung eines Spotlight-Vortrags als Indikator für die wissenschaftliche Qualität der Arbeit.

Josef Ressel Zentrum für Intelligente und Sichere Industrieautomatisierung (JRZ ISIA): Das JRZ ISIA ist in der Meldung die Forschungsorganisation, deren Aufbau über vier Jahre zur vorliegenden Arbeit geführt hat. Das Zentrum wird als Träger der Forschungsgruppe genannt, die die Ergebnisse präsentiert hat.

Was die Ergebnisse konkret ausweisen

Aus der Aussendung lassen sich mehrere konkrete Punkte ableiten: Die Arbeit wurde an der ICML 2026 angenommen und als Spotlight präsentiert; das JRZ ISIA und das Department Information Technologies and Digitalisation sind laut FH zentrale Akteure; die Forschenden nennen die exakte Bestimmung der optimalen Lösung des Mountain Car-Benchmarks sowie eine neue Klasse von Policies auf Basis mehrdimensionaler Chebyshev-Polynome. Weiterhin wird in der Meldung die Einreichung einer gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen Ansteuerung von Elektromotoren genannt.

Die Aussendung legt außerdem Werte vor, mit denen die ICML-Positionierung belegbar gemacht wird: rund 24.000 Einreichungen, mehr als 20.000 Teilnehmer und eine Annahmequote von rund einem Viertel der Einreichungen; der Spotlight-Status wird als Zugehörigkeit zu den Top 2,2 % ausgewiesen.

FAQ zur Studie und zum ICML-Auftritt

Welche Konferenz ist die ICML und wie bedeutend ist sie?

Die ICML (International Conference on Machine Learning) wird in der Aussendung als eines der weltweit renommiertesten Foren für KI-Forschung bezeichnet. Für 2026 nennt die FH rund 24.000 eingereichte Arbeiten und mehr als 20.000 Teilnehmer als Größenordnung, was die Dimension der Veranstaltung veranschaulicht.

Was genau hat das Team der FH Salzburg gelöst?

Laut Meldung hat das Forschungsteam ein seit 36 Jahren offenes mathematisches Problem im Zusammenhang mit dem Mountain Car-Benchmark gelöst. Außerdem konnte die optimale Lösung dieses Benchmarks erstmals exakt bestimmt werden, so die FH.

Welche methodische Neuerung wurde entwickelt?

Die FH nennt die Entwicklung einer neuen Klasse von Reinforcement-Learning-Policies auf Basis mehrdimensionaler Chebyshev-Polynome. Diese Policies werden in der Aussendung als Grundlage für die exakte Bestimmung der optimalen Lösung beschrieben.

Gibt es industrielle Anwendungen der Ergebnisse?

Die Aussendung berichtet von einer gemeinsamen Patentanmeldung mit B&R/ABB zur energieoptimalen Ansteuerung von Elektromotoren, die auf den wissenschaftlichen Erkenntnissen basiert. Die Patentanmeldung wird in der Meldung als Beispiel für den Übergang von Grundlagenforschung zu industrieller Anwendung genannt.

Welche weiteren Forschungsschritte nennt die FH?

Die Meldung gibt an, dass das Team an einer nächsten Generation der Methoden arbeitet, um mathematische Ansätze mit neuronalen Netzen zu hybriden Verfahren zu verbinden. Als mögliches Anwendungsfeld für diese Weiterentwicklung nennt die FH hochdimensionale Anwendungen wie humanoide Robotik.

Wer sind die Akteure und Ansprechpersonen?

Als zentrale Akteure benennt die Aussendung das Josef Ressel Zentrum für Intelligente und Sichere Industrieautomatisierung (JRZ ISIA), das Department Information Technologies and Digitalisation der FH Salzburg, FH-Rektor Dominik Engel sowie Stefan Huber als Leiter des JRZ ISIA. Konkrete Kontaktangaben und Links sind in der Quellenangabe unten aufgeführt.

Quellen und Kontakt

Quelle der Meldung: Fachhochschule Salzburg GmbH (OTS-Aussendung).

Weitere Informationen zum Josef Ressel Zentrum ISIA: https://www.fh-salzburg.ac.at/forschung/forschungszentren/josef-ressel-zentrum-fuer-intelligente-und-sichere-industrieautomatisierung

Informationen zur gemeinsamen Patentanmeldung mit B&R/ABB: https://www.fh-salzburg.ac.at/fhs/aktuelles/news/gemeinsame-patentanmeldung-von-fh-salzburg-und-abb-br-ki-fuer-energieeffiziente-industrieautomatisierung

Personenseite Stefan Huber: https://www.fh-salzburg.ac.at/personen/stefan-huber

Department Information Technologies and Digitalisation: https://www.fh-salzburg.ac.at/studium/it

Kontakt Hochschulkommunikation und Marketing: Mag. Karin König, Telefon: 05022111077, E-Mail: medien [at] fh-salzburg.ac.at. Website: https://www.fh-salzburg.ac.at