Ressort Presse

• von Birte Vierjahn
• 27.03.2023
• English version

„Sieben, eins, neun, ...“: Eine menschliche Stimme spricht Ziffern, ein Material erkennt diese zu rund 97 Prozent korrekt. Entwickelt wurde das System zur Mustererkennung von Physiker:innen der UDE in Zusammenarbeit mit der Universität Gent (Belgien). Mit der Entwicklung ließen sich mehrdimensionale Probleme energiesparend, ohne aufwendiges Training und zügig lösen. Das Fachmagazin Advanced Intelligent Systems berichtet.

Kann ein Material schnell und effizient Muster erkennen? Diese Frage stellte sich ein Team aus der Theoretischen Physik, geleitet von Professorin Dr. Karin Everschor-Sitte. Den Beleg, dass es funktioniert, erbrachten die Forschenden anhand von Spracherkennung.

Das Team um Erstautor Robin Msiska nutzte Audioaufnahmen der gesprochenen Ziffern 0 bis 9 aus einer Standard-Datenbank. Die Physiker:innen analysierten, zu welchem Zeitpunkt des gesprochenen Worts welche Frequenzen wie intensiv beteiligt sind. Diese Informationen wandelten sie in Spannungssignale um, die sie über 39 Kontakte an einen dünnen magnetischen Film anlegten.

In diesem Material befinden sich kleine magnetische Wirbel (Skyrmionen), die auf die Spannung reagieren, indem sie sich verformen: „Vereinfacht kann man sich das vorstellen wie ein schwarz-weißes Muster, das seine Formen ändert“, verdeutlicht Msiska. So bildet das Material für jede gesprochene Zahl ein individuelles Muster ab, das anschließend wie ein QR-Code von einem simplen Rechner linear ausgelesen werden kann.

Die aufwendigen Simulationen hierzu wurden weitgehend im flämischen Supercomputerzentrum (Vlaams Supercomputer Centrum) in Zusammenarbeit mit der Universität Gent durchgeführt: 97,4 Prozent der Zahlen erkannte das System korrekt; untersuchte man ausschließlich Frauenstimmen, stieg der Wert auf 98,5 Prozent. „Damit zeigt es die beste Leistung, die jemals für In-Material-Reservoir-Computer berichtet wurde“, freut sich Everschor-Sitte. Und das auf kleinstem Raum: Gerade mal einen Mikrometer Kantenlänge hat das Stück, mit dem die Physiker:innen gearbeitet haben.

„Verwendet man ein neuronales Netz, ist das Training teuer und benötigt enorme Datensätze. Unser Materialsystem kann Probleme des maschinellen Lernens lösen, ohne ein System aus Millionen miteinander verbundener Neuronen aufbauen zu müssen – die hier gezeigte Spracherkennung ist nur ein Beispiel. Das geht schneller und verbraucht weniger Energie“, erklärt die Physikerin.

Anwendungsfelder sieht sie überall, wo es gilt, verschiedene Signale zu erkennen und zu interpretieren: beim autonomen Fahren, in der Wettervorhersage oder auch in der Medizin. In Zusammenarbeit mit anderen Forschenden der UDE steht derzeit eine medizinische Standarduntersuchung im Mittelpunkt: Das Elektroenzephalogramm (EEG), das die elektrische Aktivität des Gehirns misst. Die Physiker:innen erforschen, ob das magnetische System dessen Ergebnisse eigenständig interpretieren kann.

Originalveröffentlichung: http://doi.org/10.1002/aisy.202200388

Weitere Informationen:
Prof. Dr. Karin Everschor-Sitte, Theoretische Physik, Tel. 0203/37 9-4720, karin.everschor-sitte@uni-due.de

Redaktion: Birte Vierjahn, Tel. 0203/37 9-2427, birte.vierjahn@uni-due.de