KI-Wissensfluss · Forschungsnachnutzung

Wohin fließt Wissen aus geförderter KI-Forschung?

Der Index verbindet deutsche Beteiligungen an EU-KI-Projekten mit ihren gemeldeten Forschungsoutputs und beobachtet über exakte DOI- und OpenAlex-Kennungen, wo diese Arbeiten weiter zitiert werden.

Exakte Kennungen statt NamensabgleichVollbestand und OpenAlex-Lauf getrenntKein generatives KI-Modell

Exakte OpenAlex-ProbeCollector geprüft 16. Juli 2026, 22:16Quelldaten bis 11. Mai 2026Aufzeichnung seit 16. Juli 2026Revision 4

Vollbestand · CORDIS + OpenAIRE

Die belastbare Basis

Vollbestand geprüft

Projekt- und Output-Aggregate stammen aus dem vollständig geprüften Transferbestand. Sie werden nicht aus dem OpenAlex-Lauf hochgerechnet.

gemeldete Forschungsoutputs im Vollbestand: 50.609
Outputs mit mindestens einer DOI: 35.926
eindeutige DOI-Kennungen im Vollbestand: 61.591
gemeldete OpenAIRE-Zitationen: 716.634

Exakte OpenAlex-Probe

Der beobachtete Wissensfluss

Begrenzte, exakte Probe

Die erste Ausgabe löst jede DOI im öffentlichen Output-Ausschnitt exakt gegen OpenAlex auf. Der Ausschnitt ist begrenzt und nicht repräsentativ.

DOI-Outputs im OpenAlex-Lauf: 477
DOI-Kennungen im OpenAlex-Lauf: 784
davon exakt in OpenAlex aufgelöst: 461
beobachtete Output-Zitationskanten: 516

Auswahlregel: jeder DOI-tragende Datensatz im öffentlichen Transfer-Ausschnitt; keine Hochrechnung

Projekte, Outputs oder Institutionen durchsuchenRahmenprogrammLand der zitierenden InstitutionInstitutionstyp

180 Treffer

Output → zitierende Arbeit → Institution

Exakt beobachtete Wissenswege

Wähl einen Output und sieh, welche Arbeiten ihn referenzieren und welche Institutionen OpenAlex dafür meldet. Die Grafik zeigt höchstens fünf Outputs und je acht jüngste zitierende Arbeiten; die Kennzahlen zählen alle beobachteten Kanten des aktiven OpenAlex-Laufs. Personen- und Autorendaten werden nicht veröffentlicht.

Exakte OpenAlex-ProbeBegrenzte, exakte Probe

Geförderter Output

Zitierende Institutionen

Fraunhofer Institute for Telecommunications, Heinrich Hertz InstituteDE · 3 Zitierende Arbeiten

Nanyang Technological UniversitySG · 3 Zitierende Arbeiten

Technische Universität BerlinDE · 3 Zitierende Arbeiten

Berlin Institute for the Foundations of Learning and Data2 Zitierende Arbeiten

Chongqing University of Posts and TelecommunicationsCN · 2 Zitierende Arbeiten

Freie Universität BerlinDE · 2 Zitierende Arbeiten

Lanzhou UniversityCN · 2 Zitierende Arbeiten

Jüngste öffentlich dargestellte Verbindungen · höchstens acht Arbeiten je Output
Zitierende Arbeiten	Zitierende Institutionen	Land
Enhanced RGB-D feature extraction for 6D pose estimation	China Datang Corporation (China)	CN
6D pose estimation method based on hybrid attention mechanism and vector-based local consistency enhancement	Chongqing University of Posts and Telecommunications	CN
RayPose: Hand Joint Ray Aggregation for 6DoF Object Pose Estimation	Dalian University of Technology	CN
Occlusion-resilient pose estimation of textureless components in cluttered environment and its implementation in robotic bin-picking	Indian Institute of Technology Kharagpur	IN
Pose measurement for shipborne aircraft autonomous landing via onboard visual-inertial-altitudinal data fusion	Institution nicht gemeldet	unbekannt
Enhanced RGB-D feature extraction for 6D pose estimation	Ningde Normal University	CN
PoseIDON: 6DoF pose estimation with foundation model features for marine sediment burial mapping	Scripps Institution of Oceanography	US
Enhanced RGB-D feature extraction for 6D pose estimation	Tsinghua University	CN
Object pose estimation for upper-limb prostheses grasping.	Université de Bordeaux	FR
PoseIDON: 6DoF pose estimation with foundation model features for marine sediment burial mapping	University of California San Diego	US
SynBag: Synthetic Training Data for Autonomous Grasping of Regolith Bags in the Lunar Environment	Western University	CA
Investigating the internal structure of X ( 6900 ) in the 2 J / ψ decay channel	Guangxi University	CN
Discovering an unquenched dynamics mechanism for charmonium scattering	Hunan Normal University	CN
Discovering an unquenched dynamics mechanism for charmonium scattering	Institute of Modern Physics	CN
Two-charmonium scattering with the quark Pauli-blocking effects	Japan Proton Accelerator Research Complex	JP
Discovering an unquenched dynamics mechanism for charmonium scattering	Lanzhou University	CN
Correction to the chromoelectric interaction energy of the fully heavy tetraquark state	Lanzhou University	CN
Correction to the chromoelectric interaction energy of the fully heavy tetraquark state	Lanzhou University of Technology	CN
Two-charmonium scattering with the quark Pauli-blocking effects	Nagoya University	JP
Discovering an unquenched dynamics mechanism for charmonium scattering	Nanjing Normal University	CN
Correction to the chromoelectric interaction energy of the fully heavy tetraquark state	Northwest Normal University	CN
Two-charmonium scattering with the quark Pauli-blocking effects	Obayashi (Japan)	JP
Two-charmonium scattering with the quark Pauli-blocking effects	RIKEN Nishina Center	JP
Two-charmonium scattering with the quark Pauli-blocking effects	Showa Pharmaceutical University	JP
Systematic study of exotic 1 − + tetraquark spectroscopy	Suranaree University of Technology	TH
Systematic study of exotic 1 − + tetraquark spectroscopy	Suranaree University of Technology	TH
Two-charmonium scattering with the quark Pauli-blocking effects	The University of Osaka	JP
All-charm tetraquarks at hadron colliders: A high-precision fragmentation perspective	Universidad de Alcalá	ES
Multimodal fragmentation of all-heavy pentaquarks: Uncertainty-aware predictions for hadron colliders	Universidad de Alcalá	ES
Correction to the chromoelectric interaction energy of the fully heavy tetraquark state	Yili Normal University	CN
Capacity analysis of OMA-PAS and NOMA-PAS	Beijing Institute of Technology	CN
Capacity analysis of OMA-PAS and NOMA-PAS	Chongqing University	CN
Capacity analysis of OMA-PAS and NOMA-PAS	Chongqing University of Posts and Telecommunications	CN
Capacity analysis of OMA-PAS and NOMA-PAS	King Abdullah University of Science and Technology	SA
Channel Estimation for Pinching Antennas Systems using Deep Learning	King Fahd University of Petroleum and Minerals	SA
Capacity Characterization of Pinching-Antenna Systems	Kyung Hee University	KR
Hybrid Pinching Antenna Systems: Architecture and Beamforming Design	Memorial University of Newfoundland	CA
Resource allocation for multi-user pinching-antenna system	Nantong University	CN
Uplink and Downlink Communications in Segmented Waveguide-Enabled Pinching-Antenna Systems (SWANs)	Nanyang Technological University	SG
Capacity Characterization of Pinching-Antenna Systems	Nanyang Technological University	SG
Hybrid Pinching Antenna Systems: Architecture and Beamforming Design	Nanyang Technological University	SG
Self-Supervised graph attention–based antenna activation for pinching antenna systems under uncertainty	National Institute of Technology Tiruchirappalli	IN
Effective Spectral Efficiency Maximization for Directional Pinching-Antenna-Assisted Multi-User MIMO Systems	Northeastern University	CN
Uplink and Downlink Communications in Segmented Waveguide-Enabled Pinching-Antenna Systems (SWANs)	Queen Mary University of London	GB
Channel Estimation for Pinching Antennas Systems using Deep Learning	South East Technological University	IE
Hybrid Pinching Antenna Systems: Architecture and Beamforming Design	Southeast University	CN
Self-Supervised graph attention–based antenna activation for pinching antenna systems under uncertainty	Sri Ramakrishna Institute of Paramedical Sciences	IN
Uplink and Downlink Communications in Segmented Waveguide-Enabled Pinching-Antenna Systems (SWANs)	University College Dublin	IE
Capacity Characterization of Pinching-Antenna Systems	University College Dublin	IE
Uplink and Downlink Communications in Segmented Waveguide-Enabled Pinching-Antenna Systems (SWANs)	University of Hong Kong	HK
Capacity Characterization of Pinching-Antenna Systems	University of Hong Kong	HK
Channel Estimation for Pinching Antennas Systems using Deep Learning	Waterford Institute of Technology	IE
Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces	BASF (Germany)	DE
Explainable AI for time series via Virtual Inspection Layers	Berlin Institute for the Foundations of Learning and Data	unbekannt
From Hope to Safety: Unlearning Biases of Deep Models via Gradient Penalization in Latent Space	Berlin Institute for the Foundations of Learning and Data	unbekannt
Explaining deep learning for ECG analysis: Building blocks for auditing and knowledge discovery	Carl von Ossietzky Universität Oldenburg	DE
Explaining deep learning for ECG analysis: Building blocks for auditing and knowledge discovery	Charité - Universitätsmedizin Berlin	DE
From classification to segmentation with explainable AI: A study on crack detection and growth monitoring	École Polytechnique Fédérale de Lausanne	CH
Explainable AI for time series via Virtual Inspection Layers	Fraunhofer Institute for Telecommunications, Heinrich Hertz Institute	DE
From Hope to Safety: Unlearning Biases of Deep Models via Gradient Penalization in Latent Space	Fraunhofer Institute for Telecommunications, Heinrich Hertz Institute	DE
Explaining deep learning for ECG analysis: Building blocks for auditing and knowledge discovery	Fraunhofer Institute for Telecommunications, Heinrich Hertz Institute	DE
Explainable AI for time series via Virtual Inspection Layers	Freie Universität Berlin	DE
Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces	Freie Universität Berlin	DE
Exploring Dataset Bias and Scaling Techniques in Multi-Source Gait Biomechanics: An Explainable Machine Learning Approach	Friedrich-Alexander-Universität Erlangen-Nürnberg	DE
Exploring Dataset Bias and Scaling Techniques in Multi-Source Gait Biomechanics: An Explainable Machine Learning Approach	Helmholtz Zentrum München	DE
Explainable Deep Neural Networks for Predicting Mutated Patterns in SARS-CoV-2 Variants with Geographic Analysis	Indian Institute of Information Technology Design and Manufacturing Jabalpur	IN
Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces	Korea University	KR
Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces	Max Planck Institute for Human Cognitive and Brain Sciences	DE
Explaining deep learning for ECG analysis: Building blocks for auditing and knowledge discovery	Physikalisch-Technische Bundesanstalt	DE
Challenges in explaining deep learning models for data with biological variation	Technical University of Denmark	DK
Explainable AI for time series via Virtual Inspection Layers	Technische Universität Berlin	DE
From Hope to Safety: Unlearning Biases of Deep Models via Gradient Penalization in Latent Space	Technische Universität Berlin	DE
Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces	Technische Universität Berlin	DE
A combinatorial ABC algorithm for AoI minimization with reliable data collection in UAV-assisted clustered IoT networks	Erciyes University	TR
AI-Driven Digital Transformation and Sustainable Logistics: Innovations in Global Supply Chain Management	Ferdowsi University of Mashhad	IR
Neural networks for socio-labor regulation: a neuromorphic approach to human-centric AI in urban economies	Heilongjiang University	CN
An Adaptive Governance-Centric MLOps Framework for Risk-Tiered Control and Continuous Assurance of Responsible AI in High-Stakes Domains	Institution nicht gemeldet	unbekannt
Towards embodied AI in manufacturing: Review, Evaluation, and Future directions	Institution nicht gemeldet	unbekannt
Autonomous vehicles and Quality 5.0: a conceptual paper on the role of artificial intelligence providers	Parthenope University of Naples	IT
Neural networks for socio-labor regulation: a neuromorphic approach to human-centric AI in urban economies	Peter the Great St. Petersburg Polytechnic University	RU
Research Landscape of Industry 5.0: A Bibliometric Analysis and Thematic Synthesis	Silesian University of Technology	PL
Innovación, IA y diseño centrado en el ser humano: el rol del diseño industrial en la quinta revolución industrial	Universidad Técnica de Ambato	EC

Output auswählen

Performance Analysis of Pinching-Antenna Systems

6G-XCEL

beobachtete Output-Zitationskanten: 37
OpenAIRE-Zitationssignal: 18
höchster OpenAlex-Zitationsstand einer aufgelösten Version: 39
erste beobachtete Zitation: 01. Jan. 2025

Quelle öffnen ↗

Methode & Identitätsregeln

Wissensfluss ohne erfundene Brücken

Der Collector verbindet Quellen nur über kompatible amtliche oder persistente Kennungen. Fehlende Zuordnungen bleiben sichtbar unbekannt.

1
Projektkohorte exakt abgrenzen
CORDIS-Projektcodes und gemeldete deutsche Beteiligungen definieren die KI-Kohorte; sie beweisen keine deutsche Urheberschaft an jedem Output.
2
Outputs aus OpenAIRE übernehmen
Forschungsprodukte werden nur über die von OpenAIRE gemeldete Projektbeziehung angebunden. Vollbestandsaggregate bleiben vom OpenAlex-Lauf getrennt.
3
Alle DOI-Verbindungen erhalten
Jede gültige DOI eines Outputs wird einzeln verarbeitet. Der Collector wählt keine vermeintliche Haupt-DOI und gleicht keine Titel oder Personennamen ab.
4
Referenzen rückwärts auflösen
Zitierende Arbeiten zählen nur, wenn ihre OpenAlex-Referenzliste eine aufgelöste Zielarbeit enthält. Institutionen stammen aus den gemeldeten Affiliationen.

Sammlung, Verknüpfung, Klassifikation und Darstellung verwenden kein generatives KI-Modell.

So liest du die Zahlen richtig

Zitationen belegen wissenschaftliche Aufmerksamkeit oder Nachnutzung, aber weder Qualität noch wirtschaftliche oder gesellschaftliche Wirkung.
CORDIS belegt eine deutsche Beteiligung am Projekt. Daraus folgt nicht, dass ein deutscher Projektpartner einen verknüpften Output verfasst hat.
Die OpenAlex-Flussanalyse ist ein begrenzter, nicht repräsentativer Probeausschnitt der öffentlichen Transfer-Ausgabe. Vollbestandswerte werden getrennt ausgewiesen.
Länder, Sektoren und Institutionen werden aus gemeldeten OpenAlex-Affiliationen voll gezählt und können sich überlappen. Fehlende Affiliationen bleiben unbekannt.
Quellen ergänzen, korrigieren und deduplizieren Datensätze rückwirkend. Jüngste Monate sind deshalb als vorläufig markiert.

Quellen, Lizenzen & eigener Abdeckungsstatus

Jede Quelle zeigt ihren Prüfstatus. Der Quellstichtag steht oben separat vom Zeitpunkt des Collector-Laufs; begrenzte Ausschnitte werden nicht hochgerechnet.

Europäische Kommission · CORDISverfügbar

953

Lizenz / Nachnutzung: Nachnutzungsregeln der Europäischen Kommission

geprüft 16. Juli 2026, 22:16Quelle öffnen ↗

OpenAIRE Graphverfügbar

50.609

Lizenz / Nachnutzung: CC BY 4.0

geprüft 16. Juli 2026, 22:16Quelle öffnen ↗

OpenAlexbegrenzter Ausschnitt

708

Lizenz / Nachnutzung: CC0

geprüft 16. Juli 2026, 22:16Quelle öffnen ↗

ROR-Kennungen via OpenAlexverfügbar

1.010

Lizenz / Nachnutzung: CC0

geprüft 16. Juli 2026, 22:16Quelle öffnen ↗

Häufige Fragen

Was misst der KI-Wissensfluss?

Er beobachtet, welche Arbeiten Outputs aus EU-geförderten KI-Projekten zitieren und welche Länder, Sektoren und Institutionen in den gemeldeten Affiliationen dieser zitierenden Arbeiten vorkommen. Das ist ein Signal für wissenschaftliche Aufmerksamkeit und Nachnutzung.

Welche Abdeckung hat die OpenAlex-Auswertung?

Die Karte zum beobachteten Wissensfluss nennt den aktiven Umfang. Eine begrenzte Probe wird nicht hochgerechnet. Ein vollständiger Suchlauf verarbeitet den konfigurierten DOI-Bestand; nicht auflösbare DOI bleiben als Lücken ausgewiesen.

Belegt der Index deutsche Urheberschaft oder Wirkung?

Nein. CORDIS belegt eine deutsche Projektbeteiligung, nicht die Urheberschaft an jedem Output. Eine Zitation belegt außerdem weder Qualität noch wirtschaftliche oder gesellschaftliche Wirkung.

Warum kann ein Output mehrere DOI- und OpenAlex-Verbindungen haben?

OpenAIRE kann mehrere persistente Kennungen für denselben Output melden, etwa für Preprint und Zeitschriftenfassung. Der Collector erhält diese n:m-Beziehung, statt willkürlich eine Hauptkennung zu wählen.

Veröffentlicht der Index Namen von Autorinnen oder Autoren?

Nein. Für den Wissensfluss reichen Arbeits-, Institutions- und ROR-Kennungen. Personen-, Autoren- und ORCID-Daten werden nicht in den öffentlichen Datensatz übernommen.

Verwendet der Collector generative KI?

Nein. Er arbeitet mit versionierten Regeln, exakten Kennungen, API-Antworten und Schema-Prüfungen. Es gibt weder ein Sprachmodell im Collector noch generierte Zuordnungen.

Du willst Forschungs-, Förder- oder Marktdaten belastbar verbinden?

Wir bauen nachvollziehbare Datenprodukte mit automatischen Collectors, stabilen Identitätsregeln und prüfbarer Herkunft.

Projekt besprechen Alle Tools ansehen

Das passt dazu

Nächste sinnvolle Schritte

Diese Tools ergänzen die aktuelle Auswertung.

Alle Tools ansehen

IndexKI-Forschung & TransferWelche Forschungsprodukte verknüpft OpenAIRE mit öffentlich geförderten KI-Projekten? Publikationen, Datensätze, Software sowie Zugangs- und Zitationsmetadaten – über exakte Förderkennzeichen an CORDIS-Projekte angebunden.IndexKI-InnovationspfadVerfolge belastbare Verbindungen von EU-Förderung zu gemeldeten Forschungsoutputs – und sieh transparent, wo Patente oder Vergaben noch nicht exakt verknüpfbar sind.IndexKI-Einfluss & öffentliche GelderWer legt KI-Lobbyaktivität offen, welche Vorgänge laufen im Bundestag und wohin werden EU-Fördermittel zugeordnet? Täglich geprüfter Quellengraph aus Lobbyregister, DIP und CORDIS.