Vier-Minuten-Geschichte
Die Musik inspirierte Daniel DeLeon dazu, den Ozean mit maschinellem Lernen zu erforschen
Als Daniel sein Studium begann, hatte er noch wenig Ahnung vom Engineering. Heute nutzt er maschinelles Lernen, um vom Aussterben bedrohten Walen zu helfen – und hat auf diesem Gebiet schon so manchen Durchbruch erzielt.
Daniel DeLeons Mutter Betty und sein Vater Narciso lernten sich während eines Ausflugs ihrer Kirche nach San Blas in Mexiko kennen. Weil sie kein Spanisch sprach und er kein Englisch, fanden die beiden eine andere Art zu kommunizieren – die Musik.
Es überrascht kaum, dass dem inzwischen 26-jährige Daniel – der mittlerweile an der Polytechnic State University in Kalifornien studiert – die Liebe zur Musik praktisch in die Wiege gelegt wurde. Seine Eltern gründeten eine traditionelle mexikanische Musikgruppe, das Trio Guadalupeño, dessen wöchentliche Bandproben und Auftritte bei den "Quinceañeras", Taufen und Partys in seinem Heimatort den Soundtrack zu seiner Kindheit lieferten.
In meinen Physikvorlesungen habe ich gelernt, wie Schallwellen sich ausbreiten und vom menschlichen Ohr aufgenommen werden. Ich konnte es nicht fassen. Schallwellen erzeugen Emotionen in uns, sie machen uns glücklich und schenken uns Energie.
Daniel DeLeon
Während einer Physikvorlesung an der Uni wurde aus Daniels Liebe zur Musik eine Faszination für die Wissenschaft der Schallwellen. Sein musikalischer Hintergrund gekoppelt mit einem neu erworbenen Verständnis für Akustik verhalfen ihm zu einem hart umkämpften Praktikum am Monterey Bay Aquarium Research Institute (MBARI), wo er die Wissenschaftler Danelle Cline und John Ryan bei der Meeresforschung unterstützte, indem er Walrufe aufzeichnete.
Die Wale kommunizieren über Klänge miteinander, genau wie meine Eltern, als sie sich kennenlernten. Diese Kommunikation hat mich an ihre Musik erinnert und daran, wie wichtig sie für die beiden war.
Daniel DeLeon
Indem die Wissenschaftler die Rufe und das Wanderungssverhalten der vom Aussterben bedrohten Blau- und Finnwale erforschen, erfahren sie eine Menge über den Einfluss des Menschen auf die Tier- und Pflanzenwelt des Meeres. John und Danelle wussten, wie sehr Daniel die Musik liebte. Deshalb waren sie davon überzeugt, dass er sicher gerne einen Sommer lang mit dem Hydrofon des Instituts – einem Unterwassermikrofon in 900 Metern Tiefe – die Geräusche des Meeres erforschen würde. Aber Walrufen zuzuhören war noch lange nicht alles.
Die Weltmeere bedecken ca. 70 % der Erdoberfläche. Sie sind unglaublich tief. Wenn man in nur 23 Meter Tiefe abtaucht, verliert man schon 99 % des Sonnenlichts. Im Gegensatz dazu werden Schallwellen Tausende von Kilometern weit getragen. Aus diesem Grund ist der Schall für die Meerestiere so wichtig. Wir erfahren eine Menge über ihr Leben, wenn wir nur zuhören.
John Ryan, Biologischer Ozeanograf
Da das Hydrofon rund um die Uhr aufnimmt, stehen die Wissenschaftler vor einer Herausforderung – sie erhalten mehr Daten, als ihnen lieb ist. Es würde Jahrhunderte dauern, bis alle aufgenommenen Audiodateien gründlich ausgewertet wären. Also hat Daniel es sich zur Aufgabe gemacht, die Audiodateien mit Tensor Flow – dem Open-Source-Tool für maschinelles Lernen von Google – zu analysieren, um Walrufe im Laufe von Tagen anstatt von Jahren bestimmen zu können.
Als Daniel sein Praktikum begann, hatte er TensorFlow noch nie verwendet, aber sein Talent für Mathematik kam ihm zugute. Denn maschinelles Lernen basiert auf exakt diesem Konzept: Eine Reihe von Algorithmen, anhand derer Daten analysiert und Muster erkannt werden.
Die Blau- und Finnwale gehören zu den lautesten Tieren der Erde. Ihre Rufe auf niedriger Frequenz werden auf lange Strecken durch den Ozean getragen. Aus diesem Grund sind sie die perfekten Studienobjekte. Das MBARI-Hydrofon kann Wale aufspüren, die bis zu 500 Kilometer entfernt sind.
Die Schallwellen, die das Hydrofon aufzeichnet, werden in visuelle Daten in Form eines Spektrogramms – einer Aufzeichnung von Schall in Relation zur Zeit – umgewandelt. Daniel gibt diese Spektrogramme in die TensorFlow-Software ein, die dann lernt, Blauwale und Finnwale zu unterscheiden. Wie ein Hundewelpe, der stubenrein wird, lernen auch die Computerprogramme durch Wiederholung. Je mehr Beispiele Daniel eingibt, desto genauer wird die Software. Insgesamt hat Daniel TensorFlow mit mehr als 18.000 Beispielen einzelner Walrufe gefüttert.
Beim maschinellen Lernen bringen wir Computern bei, Muster zu erkennen.
Daniel DeLeon
Mit der Zeit gelang es Daniel, mit TensorFlow Walrufe zu bestimmen – mit einer Genauigkeit von 98,05 %. Die Software kann zwischen einem Blauwal und einem Finnwal unterscheiden, bestimmen, zu welcher Tageszeit der Ruf stattfand, wie laut er war und wie lang er andauerte.
Blauwal
Finnwal
Wir befinden uns in der Ozeanforschung an einem Wendepunkt. Auch auf dem Gebiet des maschinellen Lernens tut sich viel, denn wir können endlich Probleme lösen, die uns noch vor fünf Jahren vor unlösbare Herausforderungen gestellt hätten.
Danelle Cline, Senior Software Engineer
Auf der Basis von Daniels Forschung auf dem Gebiet des maschinellen Lernens konnten John und Danelle den Grundstein für die automatische Erkennung und Klassifizierung von Walrufen legen. Sie können ihre Zeit jetzt dazu nutzen, sich auf wichtige Fragen zu konzentrieren: Wie ändern sich die uralten Wanderungsmuster dieser riesigen Tiere, und was lässt sich daraus über den Einfluss ableiten, den das Verhalten des Menschen oberhalb der Wasseroberfläche auf das Meeresleben tief unten hat? Dazu zählen insbesondere die Lärmverschmutzung und der Klimawandel.
Ich hatte nie mit dem Gedanken gespielt, Wissenschaftler zu werden. Ich dachte einfach nicht, dass ich das Zeug dazu hätte. Aber meine Neugier auf die Welt und das Universum haben mich dazu inspiriert, es zu versuchen.
Daniel DeLeon
Dieser Film zeigt Daniels Weg zum Erfolg
