Deep Learning ist eine spezielle Methode zur Informationsverarbeitung und wird mittlerweile in zahlreichen Fachgebieten zur Analyse großer Datensätze benötigt. Umfangreiche Datenmengen werden zunächst von Algorithmen extrahiert, anschließend analysiert, um dann eine Schlussfolgerung oder Prognose über eine bestimmte Fragestellung abzuleiten. Das Erkennen von Mustern oder Dingen auf 2D-Bildern oder 3D-Umgebungen, das Verständnis von Texten oder die Optimierung von Entscheidungsprozessen stellen nur eine Auswahl von potentiellen Möglichkeiten der Methode dar. Ein typisches Beispiel ist die Fragestellung, ob sich ein bestimmtes Objekt wie eine Katze auf einem Foto befindet. Diese für einen Menschen triviale Aufgabe stellte ein Computerprogramm bis vor wenigen Jahren vor eine nahezu unlösbare Herausforderung. Erst als Rechner in die Lage versetzt wurden, automatisiert aus großen Datenmengen zu lernen, konnten sie diese Aufgaben mit hoher Zuverlässigkeit lösen. Für das Erkennen eines Objektes müssen viele fachspezifische Informationen wie das Aussehen aus unterschiedlichen Perspektiven oder das Farb- oder Größenspektrum vorliegen.
An der TU Clausthal forscht die Arbeitsgruppe um Prof. Jens-André Paffenholz vom Institute of Geo-Engineering im Bereich der raum-zeitlichen Überwachung künstlicher und natürlicher Objekte mit Hilfe von 3D-Punktwolken, die mit Hilfe von Multisensorsystemen effizient erfasst werden können. Mögliche Objekte oder Szenarien können von der Phänotypisierung von Pflanzen bis zu Infrastrukturgebäuden und untertägigen Bergbauszenarien reichen. Neben der Identifikation von natürlichen und anthropogenen Geometrien wird eine systematische Change Detection möglich, d.h. die Erfassung von Veränderungen teils komplexer Strukturen. Auch die Leistungscharakterisierung von Laserscannern und Kameras in verschiedenen Maßstäben wird ermöglicht.
Für ein aktuelles Projekt wird eine leistungsstarke GPU genutzt, um dichte Tiefeninformationen aus Stereobildern mit Hilfe inhärenter geometrischer Beschränkungen unter Verwendung eines auf Deep Learning basierenden Ansatzes zu rekonstruieren. Tiefeninformationen sind eine Schlüsselkomponente in vielen Anwendungen wie Robotik, 3D-Modellrekonstruktion, semantische Segmentierung und allgemeinem Objekttracking (von z.B. Fahrzeugen), die Disparitäts-/Tiefenschätzungen in allen Bildregionen erfordern, auch in solchen, die verdeckt, spärlich und ohne eindeutige Merkmale sind.
Das generelle Anwendungsspektrum für die Methodik wächst kontinuierlich. Deep Learning ist jedoch extrem rechenintensiv. Ein Deep Learning-Training kann Wochen oder Monate andauern, um gute Vorhersagen und Entscheidungen treffen zu können, da je nach Komplexität der Aufgabenstellung Millionen von Modell-Parametern verarbeitet werden müssen. Leistungsstarke Grafikprozessoren, sogenannte GPUs, werden hierbei für immer mehr Aufgaben des Deep Learnings genutzt, da sie neben Funktionen wie naturgetreuen Darstellungen in Videospielen auch als Mehrzweck-Parallelprozessoren geeignet sind.
Weitere Forschende in dem Verbund willkommen
An der TU Clausthal hat sich ein durch mehrere Forschungsgruppen gemeinsam genutzter, vom Simulationswissenschaftlichen Zentrum Clausthal-Göttingen (SWZ) koordinierter Compute-Cluster etabliert. Der 2019 initial eingerichtete und seitdem aufgrund steigender Nutzerzahlen kontinuierlich ausgebaute Cluster bietet als gemeinsame Infrastruktur gegenüber kleineren Insellösungen erhebliche Synergieeffekte und fördert durch das Zusammenführen von Know how die interdisziplinäre Zusammenarbeit. Die im August 2022 aus Mitteln des SWZ angeschaffte und in das System integrierte NVIDIA A100 GPU erweitert die Möglichkeiten des Clusters nun insbesondere im Bereich des Deep Learnings sowie in Bezug auf Simulationsmodelle, die wiederkehrende Rechenoperationen auf große Datenmengen anwenden, erheblich. Die Rechenressource wird durch das Rechenzentrum der TU Clausthal betrieben. Weitere Forschende sind in dem Verbund willkommen. Technische Daten zu dem System, einen Überblick über weitere Forschungsinfrastrukturangebote sowie Zugangsinformationen finden Sie auf den Webseiten des SWZ.
Weitere Informationen:
