Direkt zum Inhalt
Login erforderlich
Dieser Artikel ist Abonnenten mit Zugriffsrechten für diese Ausgabe frei zugänglich.

Künstliche Intelligenz: 3-D-Brille für den Computer

Katzen in Bildern erkennen – das meistern selbstständig lernende Algorithmen schon lange. Doch wie sieht es mit komplizierteren Objekten aus, etwa Proteinen? Indem Informatiker Methoden aus der Physik nutzen, statten sie Computer mit räumlicher Wahrnehmung aus, so dass diese nun sogar in gekrümmten und mehrdimensionalen Strukturen komplexe Muster erfassen können.
Künstliche Intelligenz (Symbolbild)Laden...

In den letzten Jahren machten Informatiker im Bereich der künstlichen Intelligenz (KI) bedeutende Fortschritte. Die Maschinen können inzwischen autofahren, sie schlagen menschliche Weltmeister bei Brettspielen wie Schach oder Go und verfassen sogar Prosatexte. Die meisten derartigen Errungenschaften beruhen auf leistungsfähigen neuronalen Netzen, deren Aufbau dem visuellen Kortex von Säugetieren nachempfunden ist. Zu dieser Kategorie gehören unter anderem so genannte neuronale Faltungsnetzwerke (Englisch: convolutional neural networks, CNNs), die erstaunlich geschickt darin sind, Muster in zweidimensionalen Daten zu erkennen – insbesondere wenn es darum geht, handgeschriebene Wörter zu entziffern oder Objekte in digitalen Bildern zu verarbeiten.

Ganz anders verhält es sich dagegen, wenn man solche lernfähigen Algorithmen auf Datensätze loslässt, die keiner ebenen Geometrie entspringen. Möchte man beispielsweise unregelmäßige Formen untersuchen, wie man sie in dreidimensionalen Computeranimationen verwendet, oder die von selbstfahrenden Autos erzeugten Datenmengen verarbeiten, durch die die Fahrzeuge ihre Umgebung abbilden, stoßen neuronale Faltungsnetzwerke an ihre Grenzen …

Oktober 2020

Dieser Artikel ist enthalten in Spektrum der Wissenschaft Oktober 2020

Kennen Sie schon …

Blick in die Zukunft

Spektrum Kompakt – Blick in die Zukunft

Wir leben in der Gegenwart, wir können in die Vergangenheit zurückblicken - aber was bringt uns die Zukunft? Diese Frage beschäftigt unser Gehirn genauso wie Analysten an Prognosemärkten oder Exosoziologen.

39/2020

Spektrum - Die Woche – 39/2020

Lesen Sie in dieser Ausgabe, wie ein Forscherteam Leben auf Saturnmond Enceladus finden möchte. Außerdem: Sars-CoV-2 mutiert – was bedeutet das? Und wie gut funktionieren eigentlich Antigen-Schnelltests?

37/2020

Spektrum - Die Woche – 37/2020

Lesermeinung

Beitrag schreiben

Wir freuen uns über Ihre Beiträge zu unseren Artikeln und wünschen Ihnen viel Spaß beim Gedankenaustausch auf unseren Seiten! Bitte beachten Sie dabei unsere Kommentarrichtlinien.

Tragen Sie bitte nur Relevantes zum Thema des jeweiligen Artikels vor, und wahren Sie einen respektvollen Umgangston. Die Redaktion behält sich vor, Leserzuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Leserzuschriften können daher leider nicht immer sofort veröffentlicht werden. Bitte geben Sie einen Namen an und Ihren Zuschriften stets eine aussagekräftige Überschrift, damit bei Onlinediskussionen andere Teilnehmer sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Lesermeinungen können ohne separate Rücksprache auch in unseren gedruckten und digitalen Magazinen veröffentlicht werden. Vielen Dank!

  • Quellen

Bronstein, M. M. et al.: Geometric deep learning: going beyond Euclidean data. IEEE Signal Processing Magazine 34, 2017

Cheng, M. C. N. et al.: Covariance in Physics and Convolutional Neural Networks. ArXiv 1906.02481, 2019

Cohen, T. S. et al.: Gauge Equivariant Convolutional Networks and the Icosahedral CNN. Proceedings of the International Conference on Machine Learning (ICML), 2019

Winkels, M., Cohen, T. S.: 3D G-CNNs for Pulmonary Nodule Detection. International conference on Medical Imaging with Deep Learning, 2018