Licht im Strömungschaos

„Das Thema Machine Learning begeistert mich schon lange”, sagt Anja Bartelmei. Bereits in ihrem Bachelor- und Masterstudium der Optischen Systemtechnik an der TU Ilmenau programmierte die 27-Jährige gerne: „Programmieren ist für mich wie ein Rätsel: Man hat verschiedene Tools und baut alles zusammen.” Spätestens während ihrer Masterarbeit entdeckte sie aber auch die Faszination der Laborarbeit für sich: „Es ist zwar auch oft frustrierend, wenn man sich etwas überlegt und berechnet und es trotzdem nicht geht. Aber umso toller ist es, wenn es dann doch funktioniert.”

Einen langen Atem braucht Anja Bartelmei auch bei ihrer Doktorarbeit, an der sie seit Oktober 2024 arbeitet. Vier Jahre lang hat sie Zeit, um gemeinsam mit ihren beiden Betreuern, Prof. Stefan Sinzinger, Leiter des Fachgebiets Technische Optik, und Prof. Jörg Schumacher, Fachgebietsleiter Strömungsmechanik, herauszufinden, wie sich künstliche neuronale Netze realisieren lassen, die in großen Datenmengen möglichst effizient komplexe Muster erkennen und lernen, daraus Vorhersagen zu treffen.

Dafür nutzt sie ein Verfahren des Machine Learnings, das besonders für zeitabhängige Prozesse geeignet ist und bei dem ein dynamisches physikalisches System als eine Art „Gedächtnis“ dient: Reservoir Computing. 

„In unserem Projekt wollen wir dieses Reservoir mit Licht realisieren“, erklärt Anja Bartelmei. Die Vision dahinter ist, die besonderen Eigenschaften des Lichts – seine Geschwindigkeit und seine Fähigkeit zur parallelen Informationsverarbeitung – direkt für neuronale Rechenprozesse zu nutzen.

Starke Wirbel in turbulenten Strömungen erkennen und vorhersagen

Um Vorhersagen treffen zu können, soll das optische Netzwerk lernen, auch zeitliche Muster zu erkennen – etwa die Entwicklung starker Wirbel in turbulenten Strömungen, erzählt Anja Bartelmei.

Ich hatte schon in meiner Masterarbeit an dem Aufbau gearbeitet und zu optischem Reservoir-Computing geforscht. Weil mir das viel Spaß gemacht hat und ich mich in Ilmenau sehr wohl fühle, habe ich mich für einen PhD an der Ilmenau School of Electronics entschieden. Die Rahmenbedingungen sind sehr, sehr gut für mich als Doktorandin. Und das Spannende ist die starke Interdisziplinarität des Themas: Ich kann mich mit vielen Leuten austauschen und das Thema von unterschiedlichen Blickwinkeln aus betrachten.

In dem interdisziplinären Ansatz sieht auch Prof. Stefan Sinzinger, der als Vizepräsident für Forschung und wissenschaftlichen Nachwuchs zugleich Projektleiter der ISGE ist, den Reiz des Projekts – aber auch die besondere Herausforderung: 

Das Spannende ist, dass wir jetzt versuchen, das, was Frau Bartelmei in ihrer Masterarbeit in der Theorie untersucht hat, mit einer Anwendung zu verbinden, bei der tatsächlich ein großer Computingaufwand betrieben werden muss.

Die Interdisziplinarität der Ilmenau School of Green Electronics gebe dafür viel Freiraum. 

Die interdisziplinäre Betreuung ist aber auch eine Herausforderung, denn die Herangehensweise der Strömungsmechanik und der Optik liegen schon weit auseinander. An der TU Ilmenau haben wir natürlich den Vorteil, dass nur zwei Stockwerke zwischen unseren Fachgebieten liegen und unser Draht kurz ist.

Nach dem Vorbild des menschlichen Gehirns

Die Idee hinter dem gemeinsamen Forschungsthema ist dabei eng mit dem Konzept des so genannten neuromorphen Computings verbunden, denn auch die technische Architektur des Aufbaus von Anja Bartelmei orientiert sich an grundlegenden Prinzipien des Gehirns: Statt Informationen ausschließlich als elektrische Signale in digitalen Schaltkreisen seriell zu verarbeiten, nutzt ihr System die besonderen Eigenschaften von Licht und verarbeitet eingehende Informationen wie das menschliche Gehirn stark parallel. Denn Lichtwellen können gleichzeitig über verschiedene Eigenschaften Informationen tragen – etwa über ihre Intensität, Phase oder Polarisation sowie über ihre räumliche und zeitliche Struktur. Optische Systeme können deshalb viele Rechenoperationen parallel ausführen. 

„Man könnte sagen, dass das Reservoir, das Frau Bartelmei verwendet, um Daten zu verarbeiten, ein Stapel aus vielen Hologrammen ist, die miteinander in Verbindung stehen und in diesem Bauelement miteinander verrechnet werden”, erklärt Prof. Sinzinger. „Das ist hochspannend.”

Ein besonders schwieriger Testfall: turbulente Strömungen

Als anspruchsvolle Anwendung untersucht Anja Bartelmei dabei so genannte turbulente thermische Konvektionsströmungen. Sie sind geprägt von komplexen Strukturen, die sich ständig verändern und miteinander wechselwirken. So können zum Beispiel besonders starke Wirbelereignisse wie Gewitterwolken innerhalb kurzer Zeit entstehen und wieder verschwinden.

Das Netzwerk, an dem Anja Bartelmei arbeitet, soll deshalb nicht nur einzelne Bilder analysieren, sondern auch die zeitliche Entwicklung der Strömung verstehen. Dafür setzt sie auf so genannte rekurrente neuronale Netze. Sie berücksichtigen auch Informationen aus vorherigen Zuständen und können dadurch dynamische Prozesse abbilden.

Ein Gedächtnis für das optische Netzwerk 

Wie sich zeitliche Informationen in einem optischen neuronalen Netzwerk verarbeiten lassen, hat Anja Bartelmei bereits mit ihrem Kollegen Maximilian Zier in einer ersten Studie untersucht. Auch Zier ist Doktorand an der Ilmenau School of Green Electronics und forscht im Bereich des optischen Reservoir Computings. Gemeinsam bringen die beiden ein Verfahren zum Einsatz, das als Delay Embedding bezeichnet wird. 

Vereinfacht gesagt wird dabei nicht nur der aktuelle Zustand eines Signals betrachtet. Auch zeitlich zurückliegende Zustände werden in die Darstellung einbezogen. Das optische Netzwerk erhält damit gewissermaßen ein Gedächtnis für die jüngere Vergangenheit.

Anja Bartelmei erklärt: 

Das heißt wir nutzen die große Parallelität für eine Art inhärenten Memory-Effekt, weil das Bild, das wir analysieren wollen, vielleicht gar nicht so komplex ist und wir einen bestimmten Teil des Bildes opfern können, um diesen Memory-Effekt zu erzielen. Diese Methode spielt also den großen Parallelitätsgrad der Optik nochmal zusätzlich aus, denn gerade bei chaotischen Zeitserien kann man so in einem Zeitschritt die Dynamik des gesamten Systems abbilden.

Wie lernt ein Netzwerk aus Licht?

Aktuell sind einige weitere Punkte offen, um die zentrale Forschungsfrage des Projekts zu beantworten: Welche Architektur muss ein optisches neuronales Netzwerk besitzen, damit es möglichst gut lernen kann?

So will Anja Bartelmei unter anderem untersuchen, wie die Verschaltung des Netzwerks und seine räumlich-zeitlichen Aktivitätsmuster die Lernleistung beeinflussen. Auch der Frage, ob Informationen am besten über die Intensität, Phase oder Polarisation des Lichts moduliert werden, möchte sie nachgehen.

„Unser Ziel ist es, auf diese Weise nicht nur effizienter als bisher Strukturen in Strömungen zu erkennen, sondern diese Systeme auch für Vorhersagen zu nutzen – und das nach Möglichkeit ‘on the fly’”, erklärt Prof. Jörg Schumacher: 

Das heißt im Idealfall erkennt und analysiert der optische Reservoir Computer während des Experiments innerhalb eines kontinuierlichen Stroms an Pixeldaten ein besonders starkes Wirbelereignis direkt und unmittelbar, so dass man bei der Auswertung gezielt nachsteuern kann. Das ist vor allem für präzisere Wetter- oder Klimavorhersagen spannend, aber auch für die Strömungskontrolle in vielen anderen Bereichen - bei Autos, Tragflächen, Windrädern oder dem Wärmetransport.

Und doch weiß auch Stefan Sinzinger: „Man muss sich bei Problemen dieser Komplexität natürlich davon lösen, dass man ein System hat, was alles löst. Aber wir können uns vorstellen, hier dank der Forschungen von Frau Bartelmei Teillösungen oder Teilfunktionalitäten zu schaffen, die helfen, komplexe Strömungsmuster schneller, effizienter oder besser zu modellieren und zu verstehen.”

Vielleicht liegt am Ende aber auch die Lösung des Energieproblems, das die zunehmende Nutzung von KI mit sich bringt, nicht in immer leistungsfähigeren elektronischen Prozessoren – sondern im Licht.

Originalpublikation

Anja Bartelmei, Maximilian Zier, Jörg Schumacher, and Stefan Sinzinger, "Delay-embedding for recurrence in optical reservoir computing," Opt. Express 34, 28496-28508 (2026). https://doi.org/10.1364/OE.595960