Deep Learning: Lernende Computer sollen exotische Elementarteilchen entdecken
Wenn die großen Beschleuniger wie der Large Hadron Collider erst einmal loslegen, fallen schnell Daten in atemberaubender Menge an: Pro Jahr produziert der LHC rund 15 Petabytes oder 15 Millionen Gigabyte an Daten. Um in diesem Datenwust die Signale gesuchter Elementarteilchen ausfindig zu machen, greifen Physiker auf theoretisches Grundlagenwissen zurück, das ihnen verrät, wo sie zu suchen haben.
Möglicherweise genügt es aber auch, einen Computer geeignet zu programmieren, hofft ein Forscherteam um Pierre Baldi von der University of California in Irvine. Die Wissenschaftler haben nun anhand von Beispieldaten gezeigt, dass ein so genannter Deep-Learning-Algorithmus mit höherer Wahrscheinlichkeit verborgene Teilchen aufspürt als bisherige Lernprogramme – und offenbar auch besser als altgediente Physiker. In den Testdaten hatte ihr Algorithmus eine um acht Prozent erhöhte Trefferquote gegenüber herkömmlichen Ansätzen.
Der "letzte Schrei" in der Künstlichen Intelligenz
Deep Learning baut auf der jahrzehntealten Technik künstlicher neuronaler Netze auf und funktioniert vor allem dann gut, wenn es auf möglichst große Datenmengen angewendet wird – wie sie etwa bei dem Betrieb eines Teilchenbeschleunigers anfallen. Entscheidend dabei ist, dass es ohne Vorannahmen auskommt. "Sie brauchen keinerlei Unterstützung vom Menschen", sagt Teammitglied Daniel Whiteson. Laut seinem Kollegen Baldi könnte die Technik eingesetzt werden, wenn der LHC im Jahr 2015 seinen Dienst wieder aufnimmt.
Die Technik gilt vielen als der letzte Schrei in der Künstlichen Intelligenz, da sie sich als außerordentlich erfolgreich erwiesen hat, so funktioniert die Spracherkennung von Apples "Siri" auf Deep-Learning-Verfahren. Deep Learning "hat die nützliche Eigenschaft, umso besser zu werden, je mehr Daten man ihm füttert. Das können zwar auch andere Verfahren, aber Deep Learning schafft das vermutlich am besten – und sicher am unkompliziertesten. Deshalb ist es so vielversprechend", erläuterte der Stanford-Forscher Andrew Ng in unserem Hintergrundbeitrag "Wie Maschinen Lernen lernen" vom Januar diesen Jahres.
Schreiben Sie uns!
Beitrag schreiben