Fallstudie: Virtual Data Cosmos
– ein Tool für immersive visuelle Exploration astronomischer Big Data
Forschungsschwerpunkt
Astronomie, Datenwissenschaften
Projekttyp
Bachelorthesis
Verantwortlichkeiten
Konzept, Gestaltung und Entwicklung
Tools
Unity (Version 2019.3), C#-Skripte, SteamVR-2.0-Paket, Vive Pro.
Zeitraum
4 Monate, 2019
Auszeichnung
Bronze Award, IIID Award 2020.
Wie lässt sich sichtbar machen, wie Machine-Learning-Algorithmen kosmische Röntgenquellen einordnen?
Während meiner Promotion in der Astronomie arbeitete ich mit einem großen Datensatz kosmischer Röntgenquellen, die mit verschiedenen Machine-Learning-Algorithmen automatisch klassifiziert wurden. Das Ziel war, neue Quellen einzuordnen und besser zu verstehen, welche Objekte sich hinter den Signalen verbergen könnten. Doch genau hier begann das Problem: Der Datensatz war so groß und vielschichtig, dass klassische Visualisierungen wie Scatterplots oder Histogramme kaum noch ausreichten, um Verteilungen, Ähnlichkeiten und Unsicherheiten wirklich zu erfassen.
Für meine Bachelorarbeit im Design habe ich deshalb untersucht, wie sich ein solcher Datenraum in eine immersive, intuitive und interaktive Visualisierung übersetzen lässt. Entstanden ist Virtual Data Cosmos – eine VR-Anwendung, die es ermöglicht, große Mengen astronomischer Daten räumlich zu erkunden und dabei sowohl einen Überblick über die Gesamtstruktur als auch Einblicke in einzelne Datenpunkte zu gewinnen.
Klassifikationen im Raum sichtbar machen
Der erste Bereich der Anwendung, der Class Room, zeigt die Klassifikationsergebnisse verschiedener ML-Algorithmen als farbcodierte Punktwolken. Jeder Datenpunkt steht für eine Röntgenquelle, und seine Position im Raum macht sichtbar, zu welcher Klasse ein Algorithmus sie mit welcher Sicherheit zuordnet. Punkte nahe am Zentrum einer Klassensphäre stehen für hohe Wahrscheinlichkeit, während uneindeutige Quellen zwischen möglichen Alternativen liegen. So wird sichtbar, wo Algorithmen übereinstimmen, wo sie voneinander abweichen und welche Quellen besonders interessant für eine genauere Analyse sind.
In den Parameterraum hineinzoomen
Von dort aus können Nutzer*innen direkt in einen zweiten Raum wechseln: den Parameter Space. Hier werden die Merkmale sichtbar, auf deren Grundlage die Algorithmen ihre Entscheidungen getroffen haben. Die Parameter eines Objekts erscheinen als charakteristische visuelle Spur im Raum. Ähnliche Quellen gruppieren sich, unterschiedliche trennen sich voneinander. Auf diese Weise wird nicht nur sichtbar, wie eine Quelle klassifiziert wurde, sondern auch, warum.
