header_corporate-blog_2019_1920x559px

"Selbst GPS-Satelliten brauchen die allgemeine Relativitätstheorie"

ovo_rundMathematik-Genie Maximilian Janisch ist der dritte Speaker unserer Video-Serie "Sparx". Laut ihm leben wir in einer "goldenen Zeit" der Mathematik. Dank Computern könne endlich vieles angewendet werden, was zuvor blosse Theorie war. Im Interview erzählt er, wie dies dabei helfen kann, der Entstehung des Universums auf den Grund zu gehen und was Albert Einstein damit zu tun hat. 


Du hast Dich bei Deiner «Sparx»-Speech für ein spezielles Thema entschieden: Was Machine Learning mit Schwarzen Löchern zu tun hat. Was möchtest Du dabei konkret vermitteln?
Mit meinem Vortrag möchte ich auf die besondere Leistungsfähigkeit bzw. „Mächtigkeit“ der modernen Mathematik und Informatik aufmerksam machen. Unser gesamtes modernes Leben, angefangen vom Wecker und Handy bis zum Toaster oder der Toilette, verdanken wir diesen beiden und verwandten, ich nenne als Beispiel die Physik, Disziplinen.

Worüber sprichst Du konkret?
In meinem Vortrag gehe ich auf das spezielle Zusammenspiel von Mathematik und Informatik ein: Vor über hundert Jahren erlaubte es die Mathematik Albert Einstein, eine „geistige Kathedrale“ zu bauen, die allgemeine Relativitätstheorie, die u. a. die Existenz Schwarzer Löcher vorhersagt. Hundert Jahre später, also heute, werden sehr leistungsfähige Computer verwendet, um mittels maschinellen Lernens ein Bild eines solchen Schwarzen Loches zu erstellen.

Stichwort Machine Learning: Am Swiss Center for Electronics and Microtechnology (CSEM) beschäftigst Du Dich professionell damit. Womit genau?
Am CSEM beschäftige ich mich mit computer vision, also kurz gesagt mit Bild-Verarbeitung und -Klassifizierung. Ein einführendes Beispiel ist die Unterscheidung zwischen Hunde- und Katzenfotos. Bis vor zehn Jahren war dieses Problem für Computer unlösbar. Heute ist es mittels Machine Learning sehr einfach zu lösen.

Ein aktuelles Beispiel, mit dem ich mich vor kurzem beschäftigt habe, ist die Erkennung von „hateful memes“. Basierend auf einem gegebenen Meme soll automatisch bestimmt werden, ob das Meme zur Verbreitung von Hass eingesetzt wird oder nicht. Facebook hat beispielsweise grosse Interessen an solch einem System, da täglich Hunderttausende Memes bei Facebook gepostet werden.

Wo sind und wo siehst Du in Zukunft konkrete Anwendungsbereiche für Machine Learning?
Sehr viele Internet-/Tech-Firmen setzen schon heute überall Machine Learning ein. Die Erkennung von "hateful memes" ist ein sehr konkretes Anwendungsbeispiel. Facebook bzw. Instagram, Twitter, YouTube, etc. bestimmen alle bereits jetzt mittels Machine Learning, welche Inhalte und Werbung einem gewissen Nutzer zu einem bestimmten Zeitpunkt empfohlen werden sollten.

Sicherlich wird Machine Learning in näherer Zukunft noch stärker eingesetzt, da sich damit sehr viele Probleme automatisch lösen lassen, die vorher automatisch unlösbar waren. Einige Stichworte ausser computer vision sind Bioinformatik (z. B. Sequenzierung von DNA), Big Data, Linguistik (man denke z. B. an Übersetzer wie DeepL), Suchmaschinen, selbst-fahrende Autos und automatische Spracherkennung.

Eine Deiner vielen spannenden Aussagen im "Sparx"-Video lautet, dass das Zusammenspiel von Mathematik und immer besseren Computern uns in die Lage versetzt, immer komplexere Fragen zu beantworten und Probleme zu lösen. Kannst Du uns ein Beispiel geben?
Das erwähnte Bild des Schwarzen Loches ist bereits ein Beispiel. Ich gebe ein weiteres Beispiel aus meiner Disziplin, der Mathematik: Im Jahre 1852 wurde die Vermutung aufgestellt, dass sich jede Karte mit nur vier Farben so färben lässt, dass alle benachbarten Länder verschiedene Farben haben. Die Vermutung blieb bis ins Jahr 1976 ungelöst, bis schliesslich mittels Mathematik das Problem für unendlich viele Karten auf ein Problem für „nur“ 1834 verschiedene Karten reduziert wurde, und ein Computer dann alle 1834 Karten eine nach der anderen ausgefärbt hat.

Allgemein leben wir meines Erachtens in einer goldenen Zeit der Mathematik, da nun bereits lang bestehende mathematische Ergebnisse (z. B. aus dem 18. und 19. Jahrhundert) endlich mittels Computer angewendet werden können. Die Mathematik hinter dem Machine Learning ist beispielsweise schon seit mehr als 150 Jahren (wenn man die Wahrscheinlichkeitstheorie zum Machine Learning zählt, dann nur seit 50 Jahren) ausgearbeitet.

Auch im Zusammenhang mit der Entstehung unseres Universums sind noch viele Fragen unbeantwortet. Du erklärst, dass man dank neuer Technologie Fortschritte macht, auch darauf Antworten zu finden. Würdest Du das etwas erläutern?
Im glücklichen Fall führt ein besseres Verständnis Schwarzer Löcher, das durch moderne Technologie und Beobachtungen ermöglicht wird, auch zu „mächtigeren“ Erkenntnissen der Physik, die uns helfen werden, die Entstehung des Universums besser zu verstehen.

Du stellst bei Deinen Ausführungen auch immer wieder einen Zusammenhang zu vor Jahren entstandenen mathematischen Theorien beispielsweise von Albert Einstein her. Inwiefern helfen diese ca. 100-jährigen Theorien bei aktuellen Fragestellungen noch?
Wie oben gesagt, die Mathematik hinter vielen modernen Durchbrüchen, wie beispielsweise dem Machine Learning, ist schon seit mehreren Jahrzenten ausgearbeitet. Wir sind aber heute erstmalig in der Lage, diese Mathematik konkret einzusetzen. Karl Friedrich Gauss entdeckte bereits in den 1820er-Jahren, dass sich die uns bekannte, euklidische Geometrie auch auf komplizierte Oberflächen, z. B. auf einer Brezel anstatt auf der Ebene, durchführen lässt – ein Geniestreich. Bernhard Riemann verallgemeinerte die Erkenntnisse von Gauss auf höhere Dimensionen. Einstein wandte diese Mathematik Riemann’s nun auf das Universum an und erkannte, dass sich das Universum als „vier-dimensionale gekrümmte Fläche“ darstellen lässt. Heutzutage brauchen selbst GPS-Satelliten die allgemeine Relativitätstheorie. Die Vorhersagen der allgemeinen Relativitätstheorie wurden immer wieder experimentell bestätigt. Es scheint, als wolle das Universum Albert Einstein einfach nicht widersprechen.

Der Slogan von «Sparx» lautet: «Ignites your mind. Decodes the future.» Was war die letzte Erkenntnis, die Dich inspiriert und weitergebracht hat?
Meine letzte interessante Erkenntnis ist, dass sich beim Zerschneiden zweier aneinandergeklebter Möbius-Bänder zwei zusammenhängende Herzen ergeben. Hier mein Versuch:

moebiusband

Eine genaue Anleitung, für diejenigen, die das nachmachen wollen, gibt es bei YouTube.

Gibt es eine Person und ein Thema, deren “Sparx”-Referat Du Dir auf jeden Fall ansehen willst?
Ich werde mir bei nächster Gelegenheit sicherlich den Beitrag von Ana Campos ansehen. Kindern beim Atmen zu helfen, scheint mir ein sehr guter Einsatz von Data Science! Ausserdem bin ich besonders gespannt auf das Video von Martin Luckow, der über das Modell GPT-3 sprechen wird. Es verwendet dieselben «Bausteine», die im "hateful memes detector" verwendet wurden.

Danke für das Gespräch, Maximilian! 

Topics: Big Data Data Analytics Innovation Big Data Analytics Interview Sparx Machine Learning