(The English text follows below)
Abschlussarbeiten
Die MARS Group forscht aktuell an einer ganzen Reihen von Themen, die auch für Studierende, die eine Bachelor- oder Masterarbeit bei uns schreiben wollen, relevant sind. Im Folgenden findet sich eine - unvollständige - Liste. Sollte eines oder mehrere Themenbereich für Sie interessant sein, kontaktieren Sie bitte Prof. Dr. Thomas Clemen direkt.
Themenfeld 1.
Uns beschäftigt die Frage, wie Software-Agenten in großen Szenarien, d.h. mit sehr vielen Agenten, intelligent und lernend realisiert werden können. Welche Rolle können LLMs hier spielen? Wie kann eine solche Architektur effizient konzipiert und implementiert werden? Wie geht man mit den extrem großen Ergebnis-Datenmengen um, die eine solche Simulation erzeugt? Welche Rolle spielen Echtzeitdaten, z.B. aus IoT-Sensornetzen, in solchen Setups?
Themenfeld 2.
Unser SmartOpenHamburg-Modell stellt einen sogenannten Digitalen Zwilling des Verkehrsgeschehens der Stadt Hamburg dar. Die Agenten repräsentieren Menschen, die sich in Hamburg aufhalten, dort leben, arbeiten, Urlaub machen und unterschiedliche Verkehrswege nutzen. Dieses Modell wird ständig erweitert, um an aktuelle Fragestellungen angepasst zu werden. Zusätzlich möchten wir eine sogenannte Künstliche Gesellschaft aus Agenten schaffen, die die vorgenannten Menschen in der Stadt möglichst realitätsnah repräsentieren. Auch hier ein paar mögliche Fragestellungen:
Wie kann die Dynamik an Verkehrskreuzungen abgebildet werden?
Welche Parameter und Aktionsräume müssen die menschlichen Agenten besitzen, damit sich authentische Bewegungsmuster nachbilden lassen?
Wie lassen sich die IoT-Sensoren für die Ampelanlagen in Echtzeit in die Simulationsdynamik aufnehmen?
Wie können unsere Agenten menschlicher, d.h. kognitiver, sozialer und intelligenter gemacht werden?
Themenfeld 3.
Das MARS Framework hat inzwischen eine erhebliche Komplexität erreicht, die die Erstellung von Agenten-basierten Simulationsmodellen für Einsteiger erschwert. Auf der anderen Seite gibt es sehr viele Beispielmodelle, Tutorials, API Dokumtationen, etc. In diesem Themenfeld geht es darum, eine LLM/RAG-Architektur dergestallt zu entwickeln, die diese Dokumente und Daten semantisch verarbeiten kann. Auf diese Weise soll ein interaktives System geschaffen werden, mit dem die Entwicklung von MARS Modellen vereinfacht wird.
Themenfeld 4.
Kollegen von Stanford und Google haben eine Spiele-ähnliche Infrastruktur für interaktive menschliche Agenten entwickelt:
Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. 1(1).
Könnte man etwas Ähnliches mit MARS aufsetzen?
Themenfeld 5.
Gemeinsam mit Kollegen aus den USA forschen wir daran, wie man sog. künstliche Gesellschaften oder synthetische Populationen effizient und validierbar generieren kann:
Clemen, T., Tolk, A., Clemen, U. A., Glake, D., & Günther, G. (2024). Creating artificial societies for policy decision support: a research agenda and call to action. SIMULATION.
Welche Rolle können LLMs hier spielen? Wie authentisch sind die generierten, individuellen Parameter für die menschlichen Agenten? Könnte man die LLMs mit demographischen Daten feintunen?
Thesis offerings
The MARS Group is currently researching a whole range of topics that are also relevant for students who want to write a Bachelor's or Master's thesis with us. The following is an - incomplete - list. If one or more topics are of interest to you, please contact Prof Dr Thomas Clemen directly.
Subject area 1.
We are concerned with the question of how software agents in large scenarios, i.e. with very many agents, can be realised in an intelligent and learning manner. What role can LLMs play here? How can such an architecture be designed and implemented efficiently? How can the extremely large amounts of result data generated by such a simulation be handled? What role does real-time data, e.g. from IoT sensor networks, play in such setups?
Subject area 2.
Our SmartOpenHamburg model describes a so-called digital twin of the traffic situation in the city of Hamburg. The agents represent people who are in Hamburg, live there, work there, go on holiday there and use different transport routes. This model is constantly being expanded in order to be adapted to current issues. In addition, we would like to create a so-called artificial society of agents that represent the aforementioned people in the city as realistically as possible. Here too are a few possible questions: How can the dynamics at traffic junctions be modelled? What parameters and action spaces do the human agents need to have so that authentic movement patterns can be modelled? How can the IoT sensors for the traffic lights be incorporated into the simulation dynamics in real time? How can our agents be made more human, i.e. more cognitive, more social and more intelligent?
Subject area 3.
The MARS framework has now reached a level of complexity that makes it difficult for beginners to create agent-based simulation models. On the other hand, there are many example models, tutorials, API documentation, etc. The aim of this topic is to develop an LLM/RAG architecture that can process these documents and data semantically. In this way, an interactive system is to be created that simplifies the development of MARS models.
Subject area 4.
Colleagues at Stanford and Google have developed a game-like infrastructure for interactive human agents: Park, J. S., O'Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. 1(1). Could something similar be set up with MARS?
Subject area 5.
Together with colleagues from the USA, we are researching how so-called artificial societies or synthetic populations can be generated efficiently and validated:
Clemen, T., Tolk, A., Clemen, U. A., Glake, D., & Günther, G. (2024). Creating artificial societies for policy decision support: a research agenda and call to action. SIMULATION.
What role can LLMs play here? How authentic are the generated, individual parameters for human agents? Could the LLMs be fine-tuned with demographic data?