Die meisten KI-Modelle sehen Daten als Punkte und Verbindungen, wie eine U-Bahn-Karte, in der Stationen durch Linien verknüpft sind. Das reicht für vieles, aber nicht für alles. Denn Moleküle haben räumliche Formen, soziale Netzwerke bilden Gruppen statt nur Paare, und Sensordaten verändern ihre Struktur über die Zeit. All das geht verloren, wenn man nur Punkte und Linien betrachtet.

Topological Deep Learning erweitert klassische Modelle so, dass KI nicht nur Verbindungen erkennt, sondern auch Formen, Flächen und räumliche Strukturen in Daten lesen kann. Die Topological Deep Learning Challenge bringt Forscher:innen weltweit zusammen, um neue Methoden für genau diese Aufgabe zu entwickeln. Die Ergebnisse der 2025er Ausgabe wurden jetzt als Community Paper in den Proceedings of Machine Learning Research veröffentlicht und auf der ersten Topology, Algebra, and Geometry in Data Science Conference (TAG-DS) vorgestellt. Die Methoden fließen ein in TopoBench, eine offene Python-Bibliothek, die Benchmarking im Bereich Topological Deep Learning standardisiert und für die gesamte Forschungscommunity zugänglich macht.

Zwei der Co-Autoren sind aus unserem Team: Dominik Filipiak und Michael Banf.

Für uns bei Perelyn gehört das zusammen. Wir wollen KI nicht nur einsetzen, sondern verstehen, worauf sie aufbaut. Das bedeutet auch, dort mitzuarbeiten, wo neues Wissen entsteht.

Research at heart. Business in mind.