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)

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 …

Kennen Sie schon …

Spektrum - Die Woche – Akustische Kur gegen Stress

Naturgeräusche haben eine unglaublich beruhigende Wirkung auf uns. Wieso das so ist und wie Vogelgezwitscher und Wasserrauschen im Gehirn verarbeitet werden und auf unsere Psyche wirken, lesen Sie in der aktuellen Ausgabe der »Woche«. Außerdem: Läutet das KI-Zeitalter eine neue Ära der Physik ein?

Spektrum - Die Woche – Wie die Guinness-Brauerei den t-Test erfand

Wer hätte gedacht, dass eine Brauerei der Geburtsort für eine der wichtigsten mathematischen Methoden ist? Dem Guiness-Bier haben wir zu verdanken, dass Ergebnisse in der Wissenschaft als statistisch signifikant gewertet werden können. Außerdem in dieser »Woche«: Wie Rauchen das Immunsystem stört.

Spektrum der Wissenschaft – Fraktale

Seit Jahrzehnten arbeitet eine kleine Gruppe von Mathematikern an den letzten Geheimnissen des wohl bekanntesten Fraktals. Ihre Geschichte zeigt, wie technische Fortschritte selbst die abstraktesten mathematischen Gebiete voranbringen. Ein Durchbruch zur Entschlüsselung der Mandelbrot-Menge dürfte kurz bevorstehen. Außerdem im Heft: Bartenwale sind die Giganten der Meere. Ihre Nahrung besteht jedoch aus winzigen Planktonorganismen. Wie spüren die Wale das Futter in den Weiten des Ozeans auf? Drei Bierforscher interessieren sich für moderne und alte Hefestämme rund um das Brauen von Bier. Kryptografen und -innen arbeiten auf Hochtouren daran, neuartige Algorithmen zu entwickeln, die den Fähigkeiten künftiger Quantencomputer standhalten können. Es gibt einige vielversprechende Kandidaten, doch einige davon wurden bereits geknackt.

Schreiben Sie uns!

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, Zuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Zuschriften 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 Teilnehmende sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Zuschriften 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

Bitte erlauben Sie Javascript, um die volle Funktionalität von Spektrum.de zu erhalten.