Das Projekt verfolgt das Ziel, neue KI-Architekturen zu entwickeln, die von neurobiologischen Prinzipien der Schwingungen und Synchronisation inspiriert sind. Durch die Übertragung dieser Mechanismen in künstliche neuronale Netze sollen Grenzen heutiger Verfahren bei der Verarbeitung von Sequenz- und Multimodalitätsdaten überwunden werden. Das Vorhaben trägt damit zu den Zielen der Bekanntmachung bei, neurobiologische Erkenntnisse für die Entwicklung innovativer KI-Methoden zu nutzen, die Synergien zwischen Neurowissenschaften und KI zu stärken und biologisch inspirierte Methoden der KI wiederum für vielfältige Anwendungen nutzbar zu machen. Das Projekt kombiniert Expertise aus KI-Forschung und klinischer sowie kognitiver Neurowissenschaft. Zunächst werden "Artificial Kuramoto Oscillatory Neurons" (AKOrN) zu sequenziellen Architekturen (seqAKOrN) erweitert, die zeitliche Abhängigkeiten über lange Sequenzen erfassen können. Diese Modelle werden auf Benchmark-Daten aus Sprache, Text und Video getestet. Anschließend werden sie auf komplexe biomedizinische Zeitreihen (z. B. EEG) auf kognitiven und klinischen Fragen angewendet. Parallel werden Methoden der Netzwerkanalyse, Dynamiksystemtheorie und mechanistischen Interpretierbarkeit entwickelt, um die gelernten Repräsentationen zu untersuchen. DeepSync wird neuartige KI-Modelle bereitstellen, die robuster, interpretierbarer und besser auf multimodale Sequenzdaten zugeschnitten sind. Damit entstehen Fortschritte für Anwendungen in Sprach- und Videoanalyse sowie in der medizinischen Diagnostik. Zugleich liefert das Projekt neue Einblicke in die Rolle neuronaler Schwingungen für physiologische Hirnprozesse. Durch die offene Bereitstellung der Methoden, Einbindung in die Cyber Valley- und ELLIS-Strukturen, sowie das AI Center und den Exzellenzcluster 'Maschinelles Lernen für die Wissenschaft' sowie die klinische Expertise ist ein hoher wissenschaftlicher und gesellschaftlicher Nutzen zu erwarten.