Die Norwegische Akademie der Wissenschaften hat den diesjährigen Preisträger des Abelpreises benannt. Mit Yves Meyer von der École normale supérieure Paris-Saclay erhält ihn ein Forscher, dessen Arbeiten in der Frequenzanalyse die Grundbausteine für zahlreiche Anwendungen in der modernen digitalen Datenverarbeitung legten. Seine "Wavelets" gehören inzwischen zum Standardwerkzeug der meisten Datenanalyse-Algorithmen.

Der seit 2003 alljährlich verliehene Abelpreis ist mit sechs Millionen Norwegischen Kronen (656 000 Euro) dotiert und gilt neben der Fields-Medaille als angesehenste Auszeichnung in der Mathematik. Die Akademie ehrt Meyer für seine "zentrale Rolle bei der Entwicklung der Wavelet-Theorie".

Preisträger des Abelpreises 2017: Yves Meyer
© B. Eymann/Académie des sciences
(Ausschnitt)
 Bild vergrößernPreisträger des Abelpreises 2017: Yves Meyer

Es gebe nicht viele Fälle, bei denen sich eine mathematische Entdeckung so stark auf die Gesellschaft ausgewirkt habe wie bei den Wavelets, sagt Meyers Kollege Jean-Michel Morel dem Magazin "Nature".

Die so genannte Wavelet-Transformation wurde in den 1980er Jahren maßgeblich von Meyer entwickelt. Der heute 77-jährige Forscher löste damit die "Wavelet-Revolution" aus. Denn mit diesem Verfahren, das einer Weiterentwicklung der älteren Fourier-Transformation entspricht, ließen sich erstmals auch komplexe Daten, wie sie etwa Messinstrumente im Alltag der Forschung lieferten, umfassend und praktikabel in ihrem Aufbau analysieren.

Die althergebrachte Fourier-Transformation zerlegt ein Signal in sinuswellenförmige Komponenten, die ebenso lang sind wie das Signal selbst. Bei dem von Meyer ausgearbeiteten Verfahren hingegen kommen zeitlich begrenzte "kleine Wellen" zum Einsatz – auf Französisch ursprünglich "ondelettes" und später englisch "wavelets" genannt.

Mit ihnen suchen Forscher zum Beispiel an Gravitationswellenobservatorien im beständigen Rauschen der Detektoren nach den kurzen, charakteristischen Signalen zweier verschmelzender Schwarzer Löcher. Wavelets erlauben es aber beispielsweise auch, Daten zu komprimieren, was nicht nur in der Unterhaltungselektronik relevant ist, sondern praktisch überall dort, wo in Forschung und Technik mit großen Datensätzen hantiert werden muss.