Deep Lear­ning­ for Physics Research

Das Maschinelle Lernen mit tiefen neuronalen Netzen (Deep Learning) hat sich in den vergangenen Jahren zu einem Standardwerkzeug vieler Bereiche der Physik entwickelt. Die Lehrbuchlandschaft spiegelte dies bislang noch nicht wider. Es existieren zwar hinreichend viele didaktisch gut aufgebaute Lehrbücher zum Thema Deep Learning, jedoch fast ausschließlich in der Informatik. Wenn die Autor:innen dieser Bücher auf anschauliche Beispiele zurückgreifen, stammen diese selten aus der Physik. Daraus ergab sich in der Vergangenheit eine Lücke für alle, die das Thema Deep Learning im Kontext der Physik von Grund auf verstehen wollten. Martin Erdmann und seine drei Co-Autoren schließen diese Lücke nun auf wunderbare ­Weise mit ihrem Buch.

Der übersichtlich gegliederte Text umfasst vier Teile, von denen sich der erste mit den grundlegenden Konzepten neuronaler Netze (Deep Learning Basics) beschäftigt. Auffällig klar und stringent werden allgemeinere Begriffe wie „precision“, „accuracy“ und „Area Under the Curve (AUC)“ eingeführt. Dadurch stellt sich auch bei erfahrenen Leser:innen keine Langeweile, sondern ein angenehmes Gefühl der Wissensauffrischung ein.

Auch im zweiten Teil (Standard Architectures of Deep Networks) bleiben die Autoren ihrer stringenten Darstellung treu und widmen jeder einzelnen Netzwerk-Architektur ein Kapitel. Neben den bekannten „Fully-Connected Networks“ stellen sie unter anderem auch „Convolutional and Recurrent Neural Networks“ sowie „Graph Networks“ vor. Im dritten Teil (Inspection, Uncertainties, Objectives) werden Themen wie Robustheit und Interpretierbarkeit behandelt. Im vierten Teil (Advanced Concepts) geht es um fortgeschrittene Konzepte wie Autoencoder oder Informationsfeldtheorie.

Die Autoren präsentieren die Inhalte durchgängig nicht nur fachlich, sondern auch didaktisch auf hohem Niveau. Davon zeugen sowohl die Zusammenfassungen, die am Ende eines Kapitels die wichtigsten Begriffe und Konzepte noch einmal in Stichworten aufgreifen, als auch die jedem Kapitel vorangestellten Lernziele. Auch sprachlich folgt das Werk einer klaren Linie und lässt sich durchgehend gut und flüssig lesen, was sehr zum Verständnis beiträgt. Klar strukturierte Abbildungen und eine angenehme Ausgewogenheit von Gleichungen und Texterklärungen runden das Buch ab.

Was den Band von anderen Lehrbüchern zum Thema unterscheidet, sind die physikalischen bzw. physikalisch motivierten Beispiele. Diese sind häufig allgemeinverständlich gehalten und werden soweit möglich öfter aufgegriffen, wie z. B. die Loka­lisation von Erdbeben durch seismische Messstationen. Die Beispiele lassen sich auch dann gut nachvoll­ziehen, wenn sie sich auf ein bestimmtes Experiment beziehen, etwa das Pierre-Auger-Observatorium.

Martin Erdmann und seinen Co-Autoren ist ein Lehrbuch geglückt, das nicht nur eine Lücke schließt, sondern Physiker:innen in allen Ausbildungsstufen das Thema Deep Learning sowohl fachlich fundiert als auch didaktisch wertvoll näher bringt.

Dr. Tim Ruhe, TU Dortmund

Weitere Informationen

• Verlagsseite des Buches