Materie im Trainingslager

Verfahren des Maschinenlernens haben durch die Verfügbarkeit von enormen Daten­mengen in den vergangenen Jahren einen großen Zuwachs an Anwendungen in vielen Gebieten erfahren: vom Klassi­fizieren von Objekten über die Analyse von Zeit­reihen bis hin zur Kontrolle von Computer­spielen und Fahr­zeugen. Forscher der Univer­sitäten Leipzig und Göteborg haben jetzt den aktuellen Stand der Anwendung und Anwendungs­möglich­keiten des Maschinen­lernens im Bereich der Forschung an aktiven Materialien beleuchtet.

Als aktive Materialien bezeichnet man Systeme, die durch die Umwandlung von Energie angetrieben werden. Bestes Beispiel für aktive Materialien sind biologische Systeme vom einzelnen molekularen Motor über Bakterien und Zellen bis hin zu ganzen Organismen, und Schwärmen von Tieren. Aktive Materialien umfassen aber auch künstliche Systeme aus Nano- und Mikro­partikeln, die die Funktion von biologischen Systemen imitieren.

Gerade um künstliche intelligente Systeme für künftige Techno­logien zu bauen, muss man natürliche intelligente Systeme, die teils Millionen Jahre der Evolution durch­laufen haben, erst einmal verstehen. „In der Natur gibt es erstaun­liche Beispiele“, sagt Frank Cichos von der Uni Leipzig. Vögel wie der Albatros haben gelernt, atmo­sphärische Strömungen zum Gleiten zu nutzen. Plankton navigiert in turbulenten Meeres­strömen und Spermien steuern ihre Bewegung aufgrund verrauschter chemischer Signale, die die mikro­skopische Welt aktiver Materie bestimmen. Vielfach zeigen Tiere ein kollek­tives Verhalten, sie bilden Schwärme und nutzen Kommuni­ka­tions­wege, die ihnen blitz­schnelle Richtungs­wechsel erlauben.

Um solche komplexen Abläufe zu erkennen und zu verstehen, nutzen Wissen­schaftler welt­weit zunehmend Methoden des maschinellen Lernens, die zu den Werkzeugen im Feld der künst­lichen Intelligenz gehören. Welche verschiedenen Ansätze es hier derzeit gibt und für welche Anwendungs­felder sie sich eignen, hat Cichos mit Kollegen der Uni Göteborg in Schweden zusammen­gestellt. Die Wissen­schaftler zeigen auch, welche Fall­stricke zu beachten sind.

Naheliegende Anwendungs­möglich­keiten des Maschinen­lernens findet man in der Bild­analyse, also in der Erkennung von Objekten zum Beispiel in Mikroskopie­aufnahmen, ihrer Verfolgung über die Zeit und der Charakteri­sierung ihrer Bewegungen. Oft werden dazu neuronale Netze mit Trainings­daten angelernt, die auch künstlich erzeugt werden oder aus zahl­reichen Experi­menten gewonnen werden können. „Die Vielfalt der verschie­denen Verfahren, die bereits jetzt in der Forschung an aktiven Materialien eingesetzt werden, ist jedoch viel größer“, so Cichos.

Reinforcement Learning – ein Lernen durch Belohnungen – wird zur Erforschung von Navigations­strategien in kompli­zierten Strömungen eingesetzt und Methoden des Deep Learnings helfen bei der Suche nach einfacheren physika­lischen Modellen für die Muster­bildung in komplexen Strömungen. Während diese Anwendungen alle auf Computern realisiert werden, gibt es aber auch Ansätze künstliche aktive Materie als neuronale Netze einzu­setzen.

Neben den grundlegenden Erkennt­nissen, die über aktive Materie mit Hilfe des Maschinen­lernens gewonnen werden können, eröffnen sich auch techno­logische Anwendungen. Das effiziente Gleiten in Luft­strömungen mittels sensorischer Informa­tionen, wie für Vögel untersucht, kann zur Optimierung von Flugzeugen dienen. Das Verständnis kollek­tiven Verhaltens in Schwärmen könnte für das autonome Fahren von Interesse sein und Navigations­strategien beim aktiven Transport von Medika­menten im mensch­lichen Körper helfen.

Cichos und seine Arbeitsgruppe beschäftigen sich selbst mit künst­licher aktiver Materie im Mikro- und Nano­bereich. Sie stellen künst­liche Partikel her, die durch Licht angetrieben werden und unter­suchen ihr Verhalten. „Wir wollen unter anderem mikro­skopische Partikel erforschen, die ein adaptives kollektives Verhalten zeigen und auf kleinsten Längen­skalen lernen,“ so der Forscher. Dazu setzt die Arbeits­gruppe Verfahren des Reinforce­ment Learning ein, damit aktive Mikro­partikel ihre Umgebung erforschen lernen. Dabei helfen ihnen auch neuronale Netze für die Erkennung ihrer aktiven Partikel in der optischen Mikro­skopie, die vor allem bei vielen unter­schied­lichen Partikeln algorith­mischen Verfahren über­legen ist.

Aus Sicht der Wissenschaftler kann die Erforschung aktiver Materie auch zur Verbesse­rung der Methodik des maschinellen Lernens beitragen. „Die Forschung an aktiver Materie kann leicht große, qualitativ hoch­wertige Daten­sätze über viele Längen- und Zeitskalen durch Experi­mente und physika­lische Modelle generieren. Auf der Basis dieser Daten können neue Modelle für das Maschinen­lernen entwickelt werden“, betont Cichos.

Doch nicht alle Fragen der aktiven Materie müssen mit maschinellem Lernen gelöst werden, gibt Cichos zu bedenken: „Bei allem Hype, den es um maschinelles Lernen gibt, muss man auch realistisch einschätzen, ob man ein solches Verfahren wirklich braucht, wenn man das Problem auch mit klassischen Methoden angehen kann.“

AML / RK

Weitere Infos

• Originalveröffentlichung
  F. Cichos et al.: Machine learning for active matter, Nat. Mach. Intell. 2, 94 /2020); DOI: 10.1038/s42256-020-0146-9
• Molekulare Nanophotonik (F. Cichos), Peter-Debye-Institut für Physik der weichen Materie, Fklt. Für Physik und Geowissenschaften, Universität Leipzig – Alma Mater Lipsiensis