Dr. Andreas Daniel Matt ging in seinem Vortrag auf interaktive Mathematik ein.
Den Videobeitrag als Text lesen
[Transkript automatisch erstellt]
Es ist mir eine große Ehre, heute hier sein zu dürfen und ich freue mich sehr, Sie oder, wenn ich es mir erlauben darf, für die nächsten 50 Minuten Euch auf eine gemeinsame Reise mitzunehmen. Wir haben uns ziemlich viel vorgenommen, eine interaktive Reise und zur Vorbereitung gibt es einen Aufruf und zwar ist mitexperimentieren oder mitspielen erlaubt. Das heißt, ihr dürft, wenn ihr Laptops, iPads oder Tablets oder Mobiltelefone dabei habt und wollt, dürft ihr die gerne auspacken und ich erkläre gleich, wie das funktioniert und ihr dürft mitspielen. Also wir experimentieren hier und es ist auch insgesamt ein Experiment hier mit einem vollen Hörsaal, Experimente durchzuführen, also das ist ein Doppel -Experiment heute. Genau, das ist die erste Reisevorbereitung, die zweite Reisevorbereitung. Hier, Fragen sind wichtiger als Antworten, ich habe hier noch ein Sternchen dazu gemacht, Antworten sind schon auch wichtig, aber ich finde als Mathematiker oder Mathematikerin, ist Fragen stellen total wichtig und die Freude am Nicht-Verstehen, das ist vielleicht auch das Erste, was man lernen muss, wenn man Mathematik studiert oder macht, dass man sich richtig freut, wenn man mal was nicht versteht und weil dann kann man wieder Neues lernen und hat irgendwie wieder eine Herausforderung. Ich lade euch ein, jetzt leise, im Nachhinein können wir vielleicht auch noch laut Fragen zu stellen, aber die Fragen schön mitzulocken und mitzuforschen hier mit dem Nicht-Verstehen, da kann man ganz, ganz viele Fragen stellen. So, wie funktioniert das? Ihr habt auf dem Programmheft auf der zweiten Seite links den Link dabei und auch nochmal den QR-Code. Man kann sich dann aber auch merken, t1p, das muss man sich auswendig merken, .de ist einfach und cfg ist Karl-Friedrich Gauss, also t1p.de slash Karl-Friedrich Gauss. Damit es noch einfacher wird, habe ich auf allen Folien immer ganz rechts oben die Webseite auch mit dabei. Gut, und wir starten gleich los mit dem ersten Experiment, einem Lichtbillard. Wenn ihr die Webseite auf habt, dann sieht es so aus. Hier die Gauss-Vorlesung und hier sind ganz viele, ganz viele Links. Schauen wir mal, wie viel wir schaffen. Es gibt hier manchmal auch noch mehr Infos dazu zu den einzelnen Sachen. Wir starten jetzt mit dem ersten Lichtbillard. So, wie funktioniert ein Lichtbillard? Ich habe einen Lichtstrahl, den schicke ich raus. Die Kreise, die wir hier sehen, das sind Spiegel und der Lichtstrahl, der fällt ein, mit dem gleichen Winkel kommt er wieder raus. Das machen wir immer wieder. Wir iterieren sozusagen den Lichtstrahl und wir können hier die Kreise größer und kleiner machen. Wir können die verschieben und wir können den Lichtstrahl hier zum Beispiel auch in den Kreis hineinsetzen und können dann den Winkel verstellen, wo der Lichtstrahl hingesetzt wird. Wir können es größer und kleiner machen und kann man jetzt ganz gut herum experimentieren. Man kann zum Beispiel hier ein sehr symmetrisches Muster einfach stören, indem ich hier noch einen kleinen Kreis reinschiebe zum Beispiel und bekomme so chaotische Verhalten. Es ist auch ganz spannend. Man hat was Schönes Symmetrisches und macht hier noch eine kleine Änderung, so eine kleine Störung und es wird sofort chaotisch. Sie können sich fragen oder ihr könnt euch fragen, was passiert. Kann ich vorhersagen, wo dieser Lichtstrahl landet nach 100 Iterationen zum Beispiel und man kann auch hier zum Beispiel einen Kreis mit hier reinnehmen und den hier reinnehmen, verschieben und schöne Muster erzeugen. Es gibt einen Mathematiker, Sultan Palma, der hat sich gedacht, ich nehme jetzt diese Kreisspiegel, gebe denen ein schönes Muster und versuche mal damit Muster zu erzeugen. Also ich mache so ein Gitter an diesen Kreisscheiben. Der hat ein Programm entworfen, das gibt es auch hier verlinkt unter den Infos. Das Programm muss man installieren und da kann man jetzt einfach diesen Lichtstrahl durch diese Spiegelgitter hindurchschicken und schauen, was da rauskommt. Also man hat ein Lichtstrahl und was ganz spannend ist, man kann hier zum Beispiel, es gibt hier verschiedene Gitterformationen und es gibt hier unter anderem einen Goethe-Faust Teil 1. Er hat so eine Symbolkarte, die habe ich jetzt leider gestern nicht mehr gefunden, schnell, aber er hat sozusagen das Muster von diesen Lichtreflektionen in Buchstaben umgewandelt und hat hier den Anfang von Goethe-Faust geschrieben. Ich habe den auch hier nochmal extra rausgesucht. Ihr naht euch wieder schwankende Gestalten, die früh sich einst im trüben Blick gezeigt, ist hier kodifiziert und das Spannende ist, wenn man jetzt hier reinschaut, man braucht natürlich, um sowas zu schreiben, eine sehr hohe Genauigkeit. Also wenn ich jetzt hier mal reinschaue, dann hat man hier zum Beispiel die Position, die Höhe von diesem Lichtstrahl hier, die hat 1039 Kommastellen. Ich gehe jetzt mal hier zur Kommastelle 100 und ändere jetzt mal hier, mache mal aus dem Fünfer zum Beispiel eine 4 und dann sieht man, kommt was ganz anderes raus. Das heißt auch hier, wenn ich das hier drehe, sieht man schon, es ist gar nicht so einfach und man muss schon mit sehr viel Mathematik ganz genau berechnen, aber theoretisch könnte man hier den ganzen Goethe-Faust kodifizieren. Erstes Experiment. Es geht weiter. Wir machen jetzt mal eine Fischschwarm-Simulation. Gehen wieder zurück in unsere Liste und haben jetzt ein so ein einfaches dynamisches System mit Fischen, das sind so Agenten hier und jeder Fisch schwimmt nach gewissen Regeln. Man hat hier so Regler und kann sagen, Fisch schwimm bitte schnell oder langsam, Fisch schwimm mit deinen Nachbarn mit und zwar mit null Nachbarn, okay, da passiert nicht so viel, schwimm bitte mit deinen fünf Nachbarn mit und schwimm auch zu den Nachbarn hin. Mal schauen, was passiert und jeder Fisch macht genau das Gleiche. Also jeder einzelne Fisch bewegt sich nach diesen Regeln. Jetzt könnt ihr mal versuchen, irgendwie einen großen Fischschwarm zu erzeugen. Man sagt, okay, wir machen viele Nachbarn, ich habe einen Fischschwarm oder weniger Nachbarn, dann schwimmen die so herum und das Spannende ist, dass jeder Fisch genau dasselbe macht, nach den gleichen Regeln agiert, aber insgesamt ein globales Schwarmverhalten entsteht. Man kann die Fische auch füttern, indem man hier mit der Maus hineinklickt. Das funktioniert natürlich auch immer gut und das sind so Objekte, wo die Fische nicht durchschwimmen können. Was hier spannend ist, genau so Systeme, ich weiß nicht, ob jemand von euch das Game of Life kennt, das ist ein zellulärer Automat, aber das ist im Prinzip ganz ähnlich. Man hat sozusagen eine Regel an jeder Stelle genau gleich. Man arbeitet ein bisschen mit den Nachbarn, so wie hier. Also ich weiß schon, wo sind meine Nachbarn und kann aber damit im Prinzip, gibt es auch eine schöne Theorie dazu, Turing completes, also im Prinzip alle Algorithmen der Welt über so Regeln abbilden. Gut, nächstes. Genau, die Linkliste bleibt auch online, also ihr könnt dann auch später noch in Ruhe weiterspielen. Surfer, das ist ein Programm, wurde auch kurz erwähnt, mit dem Imaginary, mit dem wir groß geworden sind und das ist ein algebraischer, also ein Raytracer von algebraischen Flächen in Echtzeit. Wie sieht das aus? Genau, man sieht das gut. Ich habe eine Formel hier unten, das ist eine polynomiale Gleichung, also in drei Variablen. Ich habe ein x, y und z und kann irgendwie hoch 2, 3, 4, 5 nehmen, plus und mal. Ich darf jetzt keine Sinusfunktionen hier, also nichts Kompliziertes und kann hier unten irgendwas ändern und dann sehe ich sofort die Fläche im Raum, die reelle Fläche im Raum, also die Nullstellen von dieser Gleichung sofort abgebildet. Das ist ein Programm, das superschöne Bilder erzeugt, die kann man hier auch drehen. Man kann hier mit einem Regler rein und raus zoomen, also man kann sich vorstellen, diese Flächen, die man sieht, sind mit einer Kugel abgeschnitten, also je nach Fläche sind die kompakt, also man kann die irgendwie einfangen rundherum oder sie gehen unendlich weiter. Also diese hier würde weitergehen, also hier sozusagen ist die abgeschnitten und es gibt hier auch sowas wie ein a, das ist ein Parameter, den kann man hier verstellen, also man kann hier auch noch so Parameter einbauen und das ist eine Riesenspielwiese, also man kann auch einfach irgendwie anfangen. Ich mache jetzt mal hier x ist 0, das ist jetzt die y und z darf sein, das kann alles sein, das heißt ich habe die y und z-Ebene und kann dann sagen x mal x ist nur ein Punkt hier, x mal y habe ich zwei Ebenen, x mal y mal z hätte ich jetzt schon drei Ebenen. Das heißt, wenn ich hier multipliziere, kann ich ein Bild addieren, weil das immer ist gleich 0, das muss man sich dazu denken und ich kann aber auch sowas wie eine Kugel zum Beispiel x² plus y² plus z² ist gleich 1, so eine klassische Kugel mit Radius 1. Ich kann jetzt ein bisschen höher zoomen, hier habe ich eine Kugel. Wenn ich noch was addieren will, zum Beispiel einen Saturn, dann mache ich hier noch ein y dazu, dann habe ich noch eine Ebene dazu. Ich kann auch schneiden, das ist ganz interessant, also nicht nur addieren, das ist ein bisschen komplizierter jetzt, muss man sich algebraisch überlegen, also ich könnte jetzt sagen, die erste Gleichung zum Quadrat plus die zweite Gleichung zum Quadrat und dann muss ich aber noch irgendwas kleines abziehen, ich mache jetzt mal ein a, dann habe ich hier genau den Schnitt zwischen der Fläche und der Kugel. Ich muss was kleines abziehen, weil sonst sehe ich es nicht. Wenn es nur eine hauchdünne Fläche ist, dann kann dieser Raytracer die Fläche nicht visualisieren, das heißt, hier kann ich zum Beispiel einen Ring machen, indem ich das a ein bisschen größer mache. Was spannend ist, wenn ich jetzt nicht minus a, sondern plus a mache, hier passiert gar nichts, klar, dann ist es weg. Hier ist es ganz interessant, wenn man hier aufklappt, gibt es ein paar Beispielgleichungen, es gibt ganz spannende Sachen. Hier gab es eine, damals war es noch eine Schülerin, später eine Studierende, Studentin, die hat diese Gleichung hier erfunden. Wenn man die anschaut, denkt man sich, okay, was wird daraus und man kann die dann in das Programm hineinkopieren und sieht, das ist die Gleichung des Löffels. Ganz praktisch, total schön, so eine Löffelgleichung braucht man oft. Genau, kann man auch probieren, hier gibt es die Gleichung, man sieht auch, dass es ein bisschen getrickst ist. Mal schauen, ob das funktioniert. Ich mache mal hier den Löffel rein, das ist auch ein Experiment. Der Löffel ist da, aber ich glaube, wenn man rauszoomt weiter, dann sieht man schon, der Löffel ist in der Mitte, aber da geht es dann noch irgendwie weiter und was auch spannend ist, diese Visualisierungen, die sind auch nicht immer korrekt. Es gibt hauchdünne Linien oder Singularitäten, die sind auch schwer zu finden und es gibt hier noch mehr Gleichungen. Also es gibt hier noch die Gleichung des Herzens, das zeige ich auch noch, weil das ganz schön ist. Das hättet ihr vielleicht schon gesehen. Achso, da muss man noch ein Mal einfügen. Genau, die Syntax muss natürlich korrekt sein, sonst funktioniert es nicht. Okay, aber es gibt auf jeden Fall eine Halbgleichung auch, da ist irgendetwas passiert. Ich muss mal schauen, ich hatte jetzt mein Hin- und Herschalten, funktioniert nicht mehr so gut. Ich muss ihn einmal kurz einstellen, tut mir leid. Was spannend ist mit diesem Surfer, da ist ganz viel passiert, damals im Jahr der Mathematik 2008, wo viele, viele Menschen algebraische Flächen erzeugt haben, denen auch lustige Namen gegeben haben und es gab Wettbewerbe, Ausstellungen in vielen Ländern, wo man diese Mischung aus Formel und Form in einer schönen, ästhetisch schönen Weise erleben konnte. Wir haben dann später auch noch ein sehr schwieriges, offenes Problem, wie kriegt man aus dieser Fläche, aus dieser re-getristen Fläche, wo ich eigentlich nur die Bildpunkte kenne, einen 3D-Druck zum Beispiel. Hier sieht man noch ein paar Beispiele von Flächen, auch von diesen Wettbewerben und was spannend ist, auch weil das Programm offen lizenziert ist, wurde es zum Beispiel hier von einem Chefkoch, so einem Michelin-Chefkoch in Malaga, zu einem Gericht umgedichtet. Er hatte so mathematische Fünf-Sterne-Küche daraus gemacht und in Slowenien landete das auch auf einer Mode-Kollektion. Es ist schön, wenn die Mathematik in den Mainstream übergeht, hier mit der Formel am Label des Kleiders drauf. Gut, jetzt geht es weiter in die Musik. Das nächste Programm heißt ScaleLab, also das Labor der Tonleitern. Jetzt muss ich mal schauen, den Tonlauter schalten hier. Ich schalte mal hier auf eine einfache Sinuswelle und einfach mal hier auf Wellenform. Hört man das? Genau. Stellt euch mal ein Klavier vor, das keine Tasten hat, sondern auf dem man alle Frequenzen hier spielen kann. Das wäre dann so. Da kann man natürlich schöne Melodien spielen. Jetzt ist es im Normalfall aber so, dass man nur endlich viele Tasten möchte. Das ist auch einfacher für die Musik. Das heißt, man muss sich überlegen, welchen Ton, welche Frequenz kann ich denn jetzt hier unten spielen? Man sieht hier die blauen Linien. Ich kann nicht alle nehmen, das heißt, ich nehme gewisse raus. Und jetzt ist die Frage, wie stimme ich denn mein Klavier? Welche nehme ich denn da? Und wie kann ich denn so Tonleitern bauen? Und welche Töne klingen denn ganz gut zusammen, wenn ich jetzt mehrere gleichzeitig spiele? Jetzt ist es interessant, man kann hier verschiedene Stimmungen sich aussuchen. Ich nehme mal die pythagoreische Stimmung. So, ich gehe mal wieder zurück und spiele mal zum Beispiel hier die zwei gemeinsam. Man sieht schon, da habe ich jetzt sozusagen die doppelte Wellenlänge. Die gemeinsam klingen auch ganz gut. Wenn ich hier eine Terz spiele oder eine Quint, dann klingt das auch ganz gut gemeinsam. Die Theorie von Pythagoras war, wenn die Zahlen klein sind, dann klingen die Töne schön zusammen. Also 3 über 2, also eineinhalbfache Wellenlänge oder eineinhalbfache Frequenz, dann genau klingt das gut. Und wenn die Zahlen höher sind, dann klingt es nicht mehr ganz so gut gemeinsam. Da gibt es jetzt noch andere Visualisierungsmöglichkeiten. Es ist natürlich auch immer ein bisschen subjektiv, wie was klingt. Wenn ich jetzt hier diese Wellen, diese zwei Frequenzen einmal x-Achse und y-Achse zusammen zeige, dann sieht man hier zum Beispiel kommt ein schönes Bild raus. Wenn ich zwei Nahetasten nehme, dann wackelt das Bild und man könnte sagen, wenn die Bilder ein bisschen stabiler sind, dann klingt es eigentlich besser. Wenn die wackeln, dann klingt es nicht so gut gemeinsam. Helmholtz, ein Physiker, hatte versucht eine Theorie zu finden und eine sogenannte Dissonanzkurve entwickelt, wo er sagt, wenn ich hier zwei Töne nehme und die in der Kurve beide relativ weit unten sind, dann klingt das gemeinsam gespielt gut. Wenn die in der Nähe sind, dann klingt das gemeinsam gespielt nicht so gut. Und mit diesem Programm kann man jetzt über diese Analyse-Tools, und man hat hier auch so einen Synthesizer, man kann sich selbst Instrumente basteln und kann jetzt auch mit Stimmungen spielen. Man kann auch sagen, ich nehme zum Beispiel eine indische Raga mit einem Grundton und da habe ich jetzt auch andere Arten von Noten. Also hier zum Beispiel. Da braucht man dann schon zwischendurch mal alle Noten. Jetzt habe ich ein ganz besonderes Exponat. Mal schauen, ob das auch hier funktioniert. Die Rosa Posaune ist keine Posaune, sondern es geht um die Stimme. Das können wir mal aufmachen. Das ist jetzt ein mathematisches Modell von dem Vokaltrakt eines Menschen. Stellt euch vor, man schneidet hier einmal quer so durch oder schaut so rein und kann jetzt hier unten die Intensität und auch die Tonhöhe einstellen, die hier generiert wird, in der Glottis heißt es, und dann sozusagen den Raum dazwischen gestalten, indem ich hier die Zunge bewege. Also hier die Höhe. Und die Nase brauche ich auch manchmal dazu. Und jetzt können wir mal versuchen, hier zum Beispiel La, La, Da muss man den Mund so machen. Und das Interessante ist, es funktioniert erstaunlich gut. Es gibt auch im Internet Videos dazu, wo Leute damit singen oder reden. Das ist ein bisschen schwierig. Da braucht man mehrere Finger dazu. Das Spannende, ich zeige mal kurz ein Video aus der Realität. Das ist eine Kernspintomographie von einem Bariton. Das mathematische Modell funktioniert über so Zylinderscheiben. Das sind in dem Modell 44 Zylinderscheiben mit verschiedenen Größen. Und da wird die Luft durchgeströmt. Also das ist auch so ein numerisches Modell von einer Strömungsgleichung. Und am Ende kommt dann eine schöne Stimme raus oder eine Stimme. Und die Nase ist wichtig. Hier steht noch plus Nase, die sieht man hier im Bild nicht, aber das ist noch eine Zylindersequenz, die noch dazugehört. Gut, weil wir schon bei Strömungsgleichungen sind, gehen wir gleich zu einem Programm, das heißt Navier Stroke. Das ist ein Wortspiel, sehen wir auch gleich, wieso. Und tauchen jetzt ein in die Mathematik des Klimawandels. Das ist auch eine Echtzeitsimulation, mit der man Flüssigkeiten oder Fluide, auch Gase, simulieren kann. Es gibt ja auch verschiedene Parameter, wo man die Dispersion oder Viskosität, verschiedene Sachen einstellen kann. Hier ist es voreingestellt. Das ist ein schönes Programm, wenn jemand ein Tablet oder so dabei hat, mit vielen Fingern gleichzeitig. Das ist ganz meditativ hier, Flüssigkeiten. Ohne, dass man etwas ankleckert, kann man hier mit Flüssigkeiten spielen. Und das ist auch wieder super viel Mathematik, das braucht auch eine gute Grafikkarte dazu, sonst würde das auch nicht so flüssig schnell laufen. Und genau, da werden in Echtzeit diese Navier -Strokes-Equations-Gleichungen gelöst. Ich habe die hier auch aufgelistet, kann mal kurz einen Überblick geben, wie die funktionieren, also Differenzialgleichungssysteme. Und es geht darum, hier die Beschleunigung der Luft zu berechnen, und die wird durch verschiedene Kräfte beeinflusst. Also es gibt den Luftdruck, so etwas wie kennt man, dass die Luft von einem Hochdruckgebiet in das Tiefdruckgebiet wandert. Dann gibt es die Coriolis-Kraft der Erde, die Erde dreht sich ja ziemlich schnell. Hier natürlich auch so etwas wie Schwerkraft und diese Parameter, die Viskosität im Inneren. Das Spannende ist, diese Gleichungen sind sehr universell einsetzbar, also auch für, ich habe hier eine Simulation von einem Freund, der Gletscherforschung macht, also sowohl Gletschereis bewegt sich mit diesen Gleichungen, aber auch Honig. Die Gleichungen sind relativ kompliziert und da kann man sich auch schnell den Kopf zerbrechen, wie das funktioniert. Aber es gibt schöne, schnelle, numerische Lösungen, auch, wie wir gesehen haben, auf der Grafikkarte. So, jetzt haben wir Forschung gehört, steigen wir ein in die Welt der künstlichen Intelligenz, das ist auch mein eigenes Forschungsgebiet und starten mit einem Programm, mit einem neuronalen Netz, das heißt neuronale Zahlen. Und da habe ich jetzt, ich starte mal ein anderes, hier gibt es verschiedene Versionen, ich starte mal hier die Vollversion. Man kann zuerst mit einem trainierten neuronalen Netz spielen. Also ich kann hier eine Zahl per Hand eingeben und sehe dann, was das neuronale Netz erkennt. Also kann ich da eine Zahl erkennen, ich kann hier irgendwas machen, und dann sieht man hier in der Mitte diese, ich bin mir sicher, es ist eine 4, je höher die Balken, umso sicherer ist sich das Netzwerk, und man kann sozusagen zuschauen, was passiert, ich kann auch irgendwas machen, ich bin mir sicher, es ist eine 8, ja gut, die 8 hat halt viele Schleifen, ist auch ganz spannend, zum Beispiel wenn man ein X macht, dann glaubt das Netzwerk auch meistens eine 8, wieso hier eine 1 rauskommt, ist auch spannend. Und hier gibt es immer die erste Aufgabe, kann man das Netzwerk austricksen, hier sieht man schon, es ist ja eigentlich keine 1, sondern eine 7, aber das hängt damit zusammen, dass dieses Netzwerk mit den amerikanischen Ziffern trainiert wurde, wo die 1 einfach nur ein Strich ist. Genau, also hier hat man ein neuronales Netz, das ist schon trainiert. Das Spannende ist jetzt, wie sieht so ein Netz aus, und wie kann ich so ein Netz trainieren. Hier habe ich jetzt ein Netz, das ist gar nicht trainiert, das fängt irgendwie zufällig an, gibt auch irgendwie zufällig ein Output, die Balken sind noch nicht besonders hoch, das ist nicht sicher, und ich kann jetzt hier sagen, bitte, ich trainiere dich jetzt, Netz, ich zeige dir immer ein Bild, und auch dann die Lösung, also ich zeige dir ein Bild von einer 5 und sage dir, das ist eine 5, ein Bild von einer 6 und sage dir, das ist eine 6. Viele Bilder hier, sagen wir mal, 6.000 Bilder, stopp mir mal kurz, und das Netzwerk versucht, ich zeige auch gleich wie, in der Mitte verschiedene Parameter anzupassen, damit dann am Ende auch wirklich das rauskommt, was rauskommen soll. Und hier sieht man schon, ich habe das jetzt, das war jetzt auch in Echtzeit, hier mit 7.000 Bildern trainiert und funktioniert schon ziemlich gut. Und das Spannende an dieser Technologie ist, dass ich jetzt, ich muss selbst nicht wissen, wie eine 8 aussieht oder wie eine 4 aussieht, sondern ich kann einfach, ich brauche Trainingsdaten, habe eine Technologie, ein neuronales Netz, und das kann mir dann diese Trainingsdaten richtig erkennen. Ich muss keine Vorschriften programmieren, ich brauche nur, unter Anführungszeichen, diese Trainingsdaten und kann es hier trainieren. Genau, es gibt hier auch für Experten noch verschiedene Architekturen, man kann sich hier aussuchen, wie das Netz intern aussieht. Ich zeige mal hier ganz kurz einen mathematischen Einblick in so ein Netz, also den Input, den man hat, den rechnen wir auf 28 mal 28 Bildpunkte runter, also ein bisschen kleiner, als man sieht. Das sind dann, ich glaube, 764 einzelne Farbwerte. Die Farbwerte sind immer zwischen 0 und 1. Das ist ein bisschen klein hier, aber man sieht es schon, 1 ist weiß, dann gibt es ein paar Grautöne und 0 wäre schwarz. Das heißt, am Ende habe ich eine Liste von diesen 764 Zahlen zwischen 0 und 1. Diese Liste, die füttere ich dann in so ein neuronales Netz. Wir schauen mal so ein Video an, wie das aussieht. Also ich habe hier vorne das Bild, die 784 sind, 784 Zahlen, genau, zwischen 0 und 1, genau diese eine Zahl. Und diese Zahlen werden jetzt mit den sogenannten Gewichten multipliziert. Also ich habe eine Zahl, multipliziere die mit dem Gewicht, also hier erster Bildpunkt 0, ist ein schwarzer Bildpunkt, mal 2, kommt 0 raus. Ich mache das jetzt für dieses Bild hier, genau, multipliziere mit allen Gewichten und zähle das dann zusammen. Das heißt, am Ende habe ich dann hier eine Summe und das ist meine Verbindung zu diesem einen versteckten Neuron hier. In der Mitte zähle ich dann noch eine Zahl dazu, es gibt einen sogenannten Bias, den zähle ich noch dazu. Und, ganz spannend, es gibt eine sogenannte Aktivierungsfunktion, das heißt, ich schneide alle negativen Zahlen ab. Ich schicke nur positive Zahlen durch, 0 oder positiv. Das mache ich immer für alle Zahlen, das heißt, ich multipliziere wieder mit den Gewichten, zähle es wieder zusammen, eine Zahl dazu, der Bias, der steuert sozusagen, wie stark ist jetzt diese Verknüpfung hier und dann vorne noch eine Aktivierungsfunktion und am Ende kommt dann der Balken raus. Ja, ich habe die Zahl erkannt oder nicht. Ja, es ist eine 1 oder eine 2. Also hier habe ich 10 Zahlen am Ende und das sind genau meine 10 Ziffern, die rauskommen sollen. Das Spannende ist, wie funktioniert das Training in der Mitte. Das Training heißt genau, ich muss diese Parameter, diese Gewichte so anpassen, dass dann am Ende auch wirklich das rauskommt, was rauskommen soll. Ich habe hier einmal kurz, was wir jetzt sozusagen grafisch angeschaut haben, nochmal hier in mathematischer Schreibweise. Das ist auch ganz schön, man kann das über so Matrizen zusammenfassen und hat dann am Ende sozusagen die Aktivierung an einer Stelle. Das ist ein bisschen so eine Schlacht mit vielen Indizes, weil man hat dann viele so versteckte Neuronen, viele versteckte Schichten, aber am Ende kann man das ganz einfach ausrechnen und hat eine Aktivierungsfunktion und der Rest ist einfach nur Multiplikation und Addition. So, jetzt ist die Frage, wie funktioniert denn jetzt dieses Training? Also ich habe diese Gewichte, aber wie passe ich diese Gewichte an? Und da gehen wir jetzt zu dem nächsten Experiment. Das heißt Gradient Descent und das ist ein Spiel. Kann man auch zu zweit spielen, ich kann mal alleine spielen. Und zwar ist da die Vorgeschichte, dass eine Piratin vor hunderten Jahren in der Karibik einen Riesenschatz versteckt hat, natürlich an der tiefsten Stelle des Ozeans. Und wir sind jetzt ein paar hundert Jahre später mit einem Forschungsboot hier und versuchen diesen Schatz zu heben. Wir können mit dem Boot nach links und nach rechts fahren und können an einer Stelle eine Sonde auf den Boden schicken. Man sieht schon hier, ich habe hier 20 Sonden zur Auswahl, die Zeit läuft auch. Ich stresse mich jetzt mal nicht. Und die Sonde ermittelt dann, wie tief ist es an dieser Stelle und wie ist der Boden an dieser Stelle beschaffen. So, ich kann jetzt mal noch irgendwo eine Sonde nach unten schicken. Und jetzt geht es darum herauszufinden, wie finde ich am schnellsten die tiefste Stelle des Ozeans. Könnt ihr euch vielleicht schon vorstellen, hier geht es zum Beispiel steil runter. Dann versuche ich mal hier weiter runter zu kommen. Oh, hier geht es noch steiler runter. Versuche ich noch weiter runter zu kommen. Ich habe jetzt gerade einen Algorithmus angewandt, nämlich den Gradient Descent, einer der wichtigsten Algorithmen in der KI, wo es darum geht, sich schrittweise an ein Minimum heranzutasten. Das Minimum wäre, hier der Fehler ist 0. Man könnte sagen, das ist so eine Fehlerfunktion, diese Kurve. Wenn man nochmal spielt, dann wird der Schatten an einer anderen Stelle versteckt, nur zur Info. Es kann auch richtig schwer sein. Ihr könnt euch überlegen, was wäre jetzt ein richtig schwieriger Boden. Zum Beispiel, wenn es ganz viele Wellen gibt. Oder ein ganz flacher Boden mit nur einer kleinen Stelle. Das ist natürlich superschwierig. Da kann man mal schauen, wie der Boden hier aussieht. Aber flach ist nie so gut. Da weiß man nicht, wo man hingeht. Und es gibt natürlich auch lokale Minima. Das heißt, das ist zum Beispiel hier so ein lokales Minimum. Das heißt, an der Stelle ist kein Schatten. Ich muss mal schauen, ob ich an irgendeiner Stelle noch tiefer komme. Vielleicht da drüben. Ja, das sieht ganz gut aus. So, genau. Jetzt kann man sich vorstellen, ich weiß jetzt, manchmal vielleicht gar nicht, bin ich in einem lokalen Minimum? Erreiche ich überhaupt ein globales Minimum? Das ist gar nicht so einfach. Aber ich weiß, wenn ich nach unten gehe, komme ich auf jeden Fall an irgendeiner Stelle an ein Minimum. Lokales Minimum. Und das ist ganz gut. Und das ist jetzt, was wir hier gemacht haben, ist sozusagen eine Parameteranpassung in einer Richtung. Das wäre jetzt ein Parameter von diesem Netzwerk. Ich mache den größer oder kleiner. Und den Fehler zu minimieren heißt, das Netzwerk macht genau das, was ich will. Also es erkennt mir zum Beispiel die Zahl 5. So, und dann passe ich halt die Parameter an. Das kann ich immer schrittweise machen. Passe diese Parameter an. Hier ist ein Parameter, also eine Richtung. In den echten großen Netzwerken habe ich Millionen Parameter oder Tausende von Parametern. Gut, genau. Hier vielleicht nochmal ein Bild. Das sind die Trainingsdaten von diesem Beispiel, den neuen Zahlen. Man sieht hier, es wurde mit einem geraden Strich für die 1 trainiert. Das Interessante bei diesen Technologien oder bei dieser Technologie ist, dass es aber trotzdem irgendwie generalisiert. Das heißt, es lernt zwar mit dem einen Strich, aber irgendwie erkennt es dann, wenn da oben noch ein kleines Häkelchen dran ist, für die deutschgeschriebene 1 zum Beispiel, wird es immer noch erkannt. Oder wenn nicht, hier bei der 4 zum Beispiel gibt es auch verschiedene Schreibweisen der 4. Und das ist auch die Stärke von diesen neuronalen Netzen, wenn man die nicht zu ganz genau trainiert, dass die auch so generalisieren können. Gut, ich schaue mal auf die Uhr, wir haben noch 20 Minuten, dann würde ich einfach noch ein paar Experimente dazu machen. Ich hatte nämlich hier unten noch Bonus-Experimente für alle Fälle dazu getan. Auch für später oder zum Spaß. Ich gehe mal in mein eigenes Forschungsgebiet hier. Stochastische Prozesse in der KI, in maschinellem Lernen. Das sogenannte Reinforcement Learning. Wir fangen mal mit einem Spiel an. Das Spiel funktioniert so, wir haben hier Kärtchen. Ich habe 10 Spielzüge und ich kann irgendein Kärtchen aufdecken. Ich fange mal an. Da sind zufällig Zahlen versteckt. Und das Ziel ist, in 10 Spielzügen die möglichst höchste Summe zu kriegen. Ich kann auch die gleiche Karte nochmal aufmachen. Jetzt ist die Frage, was mache ich jetzt mit meinem zweiten Spielzug. Mach mal hier nochmal auf, plus 9, minus 25. Soll ich ein neues aufmachen oder soll ich die plus 9 nehmen? Vielleicht machen wir noch ein neues auf. Noch 6 Spielzüge habe ich. Okay, ich bleibe mal bei der plus 9. Jetzt ist es total spannend zu sehen. Man kann da jetzt eine Simulation laufen lassen. Hier so eine Monte Carlo Methode. Ich lasse das einfach eine Million mal oder hundert Millionen mal durchrechnen. Und überlege mir mal, an welcher Stelle mache ich ein neues Kärtchen auf. Und an welcher Stelle nehme ich nochmal das bisher höchste Kärtchen. Was glaubt ihr denn, bei 10 Spielzügen, wie oft versuche ich etwas Neues zu entdecken? Und an welcher Stelle nutze ich die beste Zahl bisher? Jetzt habe ich 4, 5. Was glaubt ihr denn? 4 oder 5 mal? Vielleicht noch einmal. Na gut, dann bleibe ich jetzt mal hier. Ich zeige mal hier die Statistik. Wenn man das jetzt einfach hier ausrechnet, sieht man zum Beispiel, wenn ich immer bei der ersten Karte bleibe oder immer eine andere Karte nehme, ist in Summe das Gleiche. Fast das Gleiche hier. Und am besten ist, wenn ich 4 mal aufdecke und dann bei dem Höchsten bleibe. In diesem Beispiel. Es hängt ein bisschen natürlich ab, wie hier die Zufallsverteilung ist. Wir haben versucht, einen ein bisschen komplizierteren Zufallsgenerator zu bauen. Es gibt manchmal auch nur negative Zahlen oder ganz hohe Zahlen. Aber im Allgemeinen gibt es eben diese Problematik, an welcher Stelle probiere ich jetzt immer wieder neue Sachen aus und an welcher Stelle bleibe ich bei der bisher Besten? Ich kenne das persönlich auch immer, wenn ich in einen Eisladen gehe und dann gibt es hier Schokolade, mein Lieblingseis. Aber dann gibt es auch hier vielleicht irgendwie Schafskäse, Minz. Und dann ist halt die Frage, soll ich jetzt Schafskäse, Minz ausprobieren oder bleibe ich bei der Schokolade, gehe auf Nummer sicher und esse 3 Kugeln Schokolade? Natürlich könnte hier auch minus 25 herauskommen, aber es könnte natürlich auch plus 200 sein, weil die Mischung sehr lecker ist. Man kennt das vielleicht auch von den Urlaubszielen. Da fahre ich jetzt wieder an den gleichen Ort oder probiere ich mal was Neues. Und das ist ein interessantes Konzept. Neues entdecken oder schon bewährtes wiederverwenden. Und da gibt es hier eine maschinelle Lernmethode, die heißt Reinforcement Learning oder bestellkennendes Lernen, wenn man will auf Deutsch. Und da geht es darum, wie können Agenten lernen, jetzt als Technologie, ganz anders als ein neuronales Netz, ohne Vorwissen. Das heißt, ich habe hier so einen Roboter und der hat verschiedene Aktionen oder einen Agent, das kann auch ein Computerspiel sein. Und der hat verschiedene Aktionen und der kriegt eine Belohnung. Der lernt über Belohnungen. Das ist auch so wie für Menschen, wenn ich auf eine heiße Herdplatte greife, dann ist das eine negative Belohnung, wenn man so will, oder eine Bestrafung. Dann werde ich das nicht nochmal machen. Wenn ich hier das Schokoeis esse, dann freut mich das und dann werde ich versuchen, das nochmal zu essen. Also man versteckt Aktionen, die einem guttun und vermeidet Aktionen, die einem nicht guttun. Und das ist ein bisschen so wie hier. Also hier kriegt er diese Bonbons, da ist die Belohnung gut. Wenn er hier in so ein Lavafeld reinläuft, dann kriegt er keine gute Belohnung. Und wenn er hier zum Ende kommt, dann kriegt er eine Riesenbelohnung. Das Interessante an diesem Lernen ist, ich muss nur diese Belohnungen definieren und der Roboter versucht aber dann selbst zu lernen. Ich lasse ihn jetzt hier mal herumlaufen, der lernt jetzt mal. Und man kann sich das so vorstellen, das wird zum Beispiel bei Schach verwendet. Hier diese Alpha oder auch bei Go, AlphaGo oder diese Schachprogramme. Die Belohnung ist, du gewinnst am Ende, aber die einzelnen Züge, wie man zum Ende kommt, die muss der Roboter selbst herausfinden. Das heißt, er muss Aktionen probieren, ausprobieren, erkunden. Hier sind wir wieder bei diesem Dilemma Ausnutzen von Wissen oder Erkunden. Also hier, wenn ich zum Beispiel sage, nur erkunden, dann fährt er nur zufällig herum. Und wenn ich sage, nur ausnutzen, dann fährt er immer nur den besten Weg. Dieser Roboter hier, der lernt jetzt schon eine Weile. Ich kann es auch ein bisschen beschleunigen. Am Anfang, klar, ist ein bisschen zufällig. Muss mal schauen, ob er es irgendwann mal schafft, hier zum Ziel zu kommen. Fährt er wieder ein bisschen herum zufällig. Und was er jetzt macht, er baut sich im Hintergrund so eine Wissenskarte auf. Ich mache das mal auf. Und im Grunde schaut er nur, was ist die erwartete Belohnung, wenn ich an einem Feld stehe. Also zum Beispiel hier oben neben dem Ausgang, was ist meine erwartete Belohnung? Er kriegt beim Ausgang plus 50. Das heißt, wenn ich ein Feld vorher bin, für jedes Feld, das er fährt, verliert er eins, also minus eins. Das heißt, da kriegt er 49. Wenn er noch in der Nähe ist, kriegt er 48. Das heißt, da oben weiß er schon, das ist immer der beste Weg dorthin. Den Rest muss er noch entdecken. Da ändern sich jetzt auch immer die Zahlen, wenn er hier herumfährt. Ich kann ihn noch ein bisschen schneller lernen lassen. Und genau, dauert ein bisschen. Und er baut sich so eine Value Map, heißt es, wie so eine Karte auf, mit den erwartenden langfristigen Belohnungen. Und die definieren dann die besten Aktionen für den Roboter. Im Moment macht er so eine Mischung. Man sieht hier unten diesen Balken zwischen Ausnutzen und Erkunden. Er nutzt ein bisschen aus und erkundet ein bisschen. Und man könnte sagen, ich mache jetzt zum Beispiel nur Erkunden. Dann fährt er nur zufälliger herum. Er kann immer noch trotzdem weiter lernen. Oder ich sage, bitte fahr den besten Weg. Und hier unten weiß er vielleicht noch nicht, wo das Ziel ist, aber hier oben hat er es vielleicht schon gelernt. Und jetzt weiß man zum Beispiel, wenn er hier startet, hat er schon den besten Weg und fährt dann immer direkt ins Ziel. Man kann sich jetzt auch wieder die Karte anschauen. Er fährt immer dorthin, wo es die höchsten Belohnungen gibt. Und das Schöne an diesem Lernverfahren ist, dass es algorithmisch, also von der Informatik oder zum Programmieren her, ganz einfach ist. Man muss immer nur sozusagen von einem Feld zum nächsten rechnen und dann wieder von einem Feld zum nächsten. Und am Ende hat er aber auch dann die, auch mathematisch bewiesen, die beste Policy, heißt es, also den besten Weg, um ans Ziel zu kommen. Und das ist auch hier ganz spannend, dass man hier auch richtig beweisen kann, dass es auch immer so einen besten Weg gibt in diesen Prozessen. Gut, so, ich schaue mal, vielleicht noch ein Beispiel. Was kann man denn noch machen? Vielleicht noch zum Abschluss ein Logikspiel. Genau, hier haben wir eine Astronautin im Weltraum und die kann sich nur bewegen, wenn sie auf ein Hindernis stößt. Also hier zum Beispiel könnte sie sich nach unten bewegen und würde dann hier stoppen vor diesem Satelliten. Und das Ziel ist es, die Astronautin zu ihrer Rakete zu bringen. So, das kann man sich hier schon vorstellen. Und für die Satelliten gilt dasselbe. Ich kann die verschieben, aber immer auch nur so weit, bis sie irgendwo landen. Also ich kann jetzt zum Beispiel hier die Astronautin da runter schicken, dann könnte ich hier den Satelliten hier hinschicken, die Astronautin hier rüber und habe den ersten Level geschafft. So, genau, das ist auch noch einfach. Gut, was machen wir hier? Hat jemand eine Lösung? Ich sehe es gerade nicht. Könnte ich den da rüber schicken? Vielleicht den so rauf? Genau, und wieder weiter. Und es wird immer schwieriger und was hier die Herausforderung war, es gibt viele von diesen Sliding-Puzzle-Spielen und hier jetzt für uns, auch als Mathematiker, zum einen genau die Levels zu generieren, also Levels zu generieren, die lösbar sind. Das kann man auch iterativ machen oder sozusagen einmal durchspielen und wenn ich eine Lösung habe, dann habe ich so ein Level. Aber dann, und das ist das Schwierige, den Schwierigkeitsgrad zu definieren. Wann ist ein Level schwierig? Und hier haben wir so einen Level-Generator, auch immer wenn man das neu startet, werden neue Level generiert, aber einzuteilen, wann ist ein Level schwierig, ist gar nicht so einfach und ist auch hier in der Puzzle-Spiel-Mathematik ein großes Problem. Es ist nicht nur die, also kann man sich überlegen, vielleicht die Anzahl der Spielzüge, aber vielleicht ist es manchmal auch ganz logisch. Ich habe immer nur einen Zug und dann ist die Anzahl der Spielzüge nicht unbedingt eindeutig ein Indiz für Schwierigkeit. Oder auch so, wie wir vorher gesehen haben, ich muss dann vielleicht die Astronauten einmal in die Richtung, einmal in die Richtung spielen oder die Satelliten dreimal hin und her. Und man sieht schon, also klar könnte man sagen, es gibt noch viel mehr Satelliteninteraktion zum Beispiel, aber das ist zum Beispiel ein schwieriger Level, der gar nicht so viele Satelliten hat und man kann sich überlegen, wie man da spielt. Wir arbeiten in der Mathematikkommunikation recht viel mit Spielen. Vielleicht auch ein kleiner Hinweis, der nächste internationale Tag der Mathematik, der ist immer am 14. März, der hat das Motto Spielen mit Mathematik und da wird es auch viele Spiele geben. Gut, ich komme mal langsam zum Ende. Eine Sache wollte ich noch sagen, es gibt von Niki Kees, das ist eine Person, die ganz viel super spannende Mathematikkommunikation macht. Ich weiß nicht, ob jemand Niki kennt. Und Niki hatte mal bei einem Vortrag gesagt, man sollte immer zuerst die Sachen zeigen und erst danach darüber erzählen. Und seit ich das gehört habe, habe ich mir gedacht, ja stimmt, das macht eigentlich total Sinn. War jetzt auch ein bisschen so die Idee hier, man zeigt das Experiment und erst danach erzählt man, was passiert. Und man erwischt sich aber total oft, dass man immer zuerst erzählen will und danach zeigen. Das ist irgendwie so in uns drin. Ich erkläre mal, was wir machen, das funktioniert so, das ist so, das ist so. Aber eigentlich ist dieser Moment, man ist schon in der Sandkiste, man hat schon gespielt und dann gibt es die Physik des Sandes und des Wassers drin. Ja, es wurde vorher schon erwähnt, ganz kurz, wir entwickeln diese Exponate, sehr viel softwarebasiert, aber es gibt auch viele physische Sachen, immer gemeinsam mit Mathematikerinnen. Wir sind eine gemeinnützige Organisation, also wir kommen aus der akademischen Welt, machen das alles non -profit, auch weltweit und haben eben diesen offen lizenzierten Ansatz. Das heißt, wir entwickeln ein Exponat, oft ist es dann gefördert und danach kann es aber weltweit kopiert werden. Also viele, ob das jetzt Museen sind oder Universitäten, die übernehmen diese Exponate. Und hier ein Hinweis für alle zukünftigen Mathematikerinnen oder auch anderen Wissenschaftlern, wir arbeiten an einem großen Projekt, auch ein DFG-Projekt, auch zusammen mit der DMV, das heißt MARDI und da geht es um mathematische Forschungsdateninfrastruktur. Und ich habe schon erwähnt, diese Open-Source -Logik hier in der Wissenschaftskommunikation ist total wichtig, aber in der Forschung ist es umso wichtiger, also Open Science als Schlagwort hier. Und es tut sich unglaublich viel in dem Bereich Forschungsdaten. Und in der Mathematik ist es ganz besonders schwierig auch zu sehen, was sind denn alles Forschungsdaten. Das sind genauso die Formeln, der Quellcode dazu, Modelle, natürlich auch echte Daten, die man hat, aber im Prinzip alles, mit dem man arbeitet. Und es gibt diese sogenannten Fair-Prinzipien, wo es darum geht, dass man eben diese Daten fair macht. Das heißt, man legt die so ab, dass man die einfach auffinden kann, dass man die auch zugreifen kann, also dass da keine Paywall oder irgendwas dazwischen ist, oder dass die Daten auch miteinander funktionieren. Also ich habe hier vielleicht so einen Benchmark -Test, der funktioniert dann auch mit anderen Daten, dass es da Schnittstellen gibt und dass man die Daten auch wirklich wiederverwenden kann. Und das ist ein sehr großes und sehr wichtiges Projekt und ich finde, man kann es gar nicht oft genug erwähnen, dass wir versuchen, die Daten nachhaltig aufzubereiten. Gut, dann bin ich hier am Ende angelangt und bedanke mich für die gemeinsame Reise und bin gern hier für Fragen noch.