Datenskulpturen
2018–2021
-
x
-
3D-Druck
-
Layout-Algorithmus
-
Physische Netzwerke
-
»Flavor Network«
-
x
Datenskulpturen | Videokommentar von Albert-László Barabási
Datenskulpturen | Videokommentar von Albert-László Barabási
Die herkömmliche Netzwerkvisualisierung beschränkte sich über Jahre hinweg ausschließlich auf die zweidimensionale Fläche. Einer der wichtigen Schwerpunkte des BarabásiLabs ist es, an der Schnittstelle zwischen Netzwerkwissenschaft und Kunst diese Zweidimensionalität zu überwinden und die Netzwerke in den dreidimensionalen Raum zu überführen, Datenskulpturen entstehen zu lassen.
Albert-László Barabási, Alice Grishchenko, Nima Dehmami, Soodabeh Milanlouei, »The Flavor Network as a 3D Data Sculpture«, 2018
BarabásiLab, »The Flavor Network«, 2018
Traditionelle Algorithmen der Netzwerkgestaltung nehmen die Verbindungen zwischen zwei Komponenten, die sogenannten »Links«, als virtuelle und körperlose Linien wahr, die sich kreuzen können. In physischen Netzwerken, wie zum Beispiel innerhalb des Gehirn-Netzwerks, ist das nicht möglich. Das BarabásiLab entwickelte einen neuen mathematischen Algorithmus, der die Gestaltung dreidimensionaler Netzwerke ohne Link-Kreuzungen zulässt. Die Formel des Algorithmus ist von tatsächlichen biologischen und physischen Mustern inspiriert. Dank der entwickelten Software und des zunehmend gängigeren 3D-Pulverdruckverfahrens konnte im Jahr 2018 »The Flavor Network« [Das Geschmacks-Netzwerk] als erste dreidimensionale Netzwerkdarstellung realisiert werden. Anders als das vorangegangene zweidimensionale »Flavor Network« konnte der 3D-Druck zu diesem Zeitpunkt nur monochrom ausgeführt werden. Er trägt die Informationen in seiner Struktur – er zeigt eine klare Trennung der verschiedenen Geschmacksgemeinschaften und enthüllt zuvor verborgene Beziehungen zwischen den Lebensmittelgruppen.
Connectome (2019)
-
3D-Hirnnetzwerk einer Maus
Neurowissenschaft
Hirnforschung
Physische NetzwerkeMit über 100 Milliarden Knotenpunkten ist das menschliche Gehirn das vielleicht komplexeste Netzwerk, das der Wissenschaft bekannt ist. Neurowissenschaftler:innen nennen das gesamte Hirnnetzwerk, das auf der Ebene der einzelnen Neuronen ermittelt werden kann, das »Konnektom«. Die wichtige, aber noch unerforschte Rolle, die das Konnektom für die Funktion des Gehirns und das Bewusstsein spielt, macht es so wichtig, seine Struktur zu verstehen.
Die 3D-Darstellung des »Connectome«, des neuronalen Hirnnetzwerks einer Maus, ist der erste Versuch des BarabásiLabs, die Struktur des Gehirns zu visualisieren. Die Konfiguration basiert auf Daten, die im Rahmen eines mehrjährigen Projekts am Allen Institute, einem bio-wissenschaftlichen Forschungszentrum in Seattle, USA, gesammelt wurden. Das Maus-Konnektom wurde mit demselben Algorithmus erstellt, der auch dem »Flavor Network« und den anderen Datenskulpturen in der Ausstellung zugrunde liegt. Seine Anordnung enthüllt die außergewöhnliche Komplexität der Verdrahtungsmuster des Gehirns und eröffnet neue Wege zum Verständnis der Gehirnfunktion.
Connectome | Videokommentar von Albert-László Barabási
Connectome | Videokommentar von Albert-László Barabási
Albert-László Barabási, Jose Brum, Nima Dehmami, Alice Grishchenko, Emma Towlson, »The Mouse Connectome«, 2019
BarabásiLab, »Das Mäuse-Konnektom«, 2019
Heat (2020)
-
Der Einfluss von Wärme auf Netzwerke
Physische Netzwerke
Temperaturgradient
Netzwerktemperatur
Unendlichkeits-NetzwerkDie Körperlichkeit eines Netzwerks schränkt seine Struktur stark ein. Da sich die Verknüpfungen eines physischen Netzwerks nicht kreuzen können, müssen sie von geradlinigen Verläufen abweichen, um ihr Ziel zu erreichen. Im Gehirn müssen sich Neuronen biegen und verdrehen, um einander auszuweichen. Seit 2006 beschäftigt sich das BarabásiLab mit dem systematischen Versuch, die Eigenschaften solch physischer Netzwerke zu verstehen. Um die Abweichungen der Verknüpfungen zu quantifizieren, entwickelte das Lab das Konzept der Netzwerktemperatur. Ein Netzwerk mit einer Temperatur von null Grad hat nur gerade Verbindungen, während sich die Verknüpfungen wärmerer Netzwerke schlängeln und winden, um einander zu umgehen.
Über die Kontrolle der Temperatur schuf das Lab mit der Serie »Heat« [Wärme] eine Reihe von Wärme-Netzwerken aus unterschiedlichsten Materialien. Ausgangspunkt der Serie war ein zweidimensionales Gitter, dessen Temperatur in der Mitte erhöht und außen kühler gehalten wird. Eine Weiterführung der Serie in drei Dimensionen geht von einem Würfel aus, dessen Knotenpunkte fixiert sind. Die Temperatur aller Verknüpfungen wird jedoch gleichmäßig erhöht, wodurch der Kontrast zwischen der Regelmäßigkeit des Gitters und der Zufälligkeit der Verlinkungen sehr deutlich wird. Zusätzlich zu den Datenskulpturen entstand zuletzt »Infinity Network« [Unendlichkeits-Netzwerk], um zu illustrieren, dass die meisten realen Netzwerke nicht endlich sind, sondern mit der Zeit ins Unendliche wachsen.
Heat | Videokommentar von Albert-László Barabási
Heat | Videokommentar von Albert-László Barabási
Gurgas (2018–2021)
-
Verdichtete Netzwerke
3D-Visualisierung
Physische Netzwerke
Aufblasbare ObjekteEine Herausforderung der 3D-Visualisierung ist die Darstellung großer, dichter Netzwerke, deren innere Struktur durch die große Anzahl von Verknüpfungen behindert wird. Sind die Verbindungen zwischen den Knotenpunkten sehr dick, können sie keiner geraden Linie folgen, sondern müssen sich umeinanderwinden, um ihr Ziel zu erreichen. Werden solche Krümmungen extrem, können dichte physikalische Netzwerke ihren Aggregatzustand wechseln und in eine neue Phase ihrer Existenz eintreten. Diese verdichteten Netzwerke bezeichnet Albert-László Barabási als »Gurgas«, ein Begriff, der auf das lateinische Wort für Schlucht zurückzuführen ist. Dank ihrer kompakten Form und des Fehlens loser Glieder wurden die »Gurgas« zum Testfeld des BarabásiLabs für 3D-Druckmaterialien wie Bronze und Kunststoff. Das jüngste Materialexperiment stellt die Arbeit »Inflatable Gurga« [Aufblasbare Gurga] dar. Der Prozess des Aufblasens verkörpert den Übergang einer Datenskulptur zu einer »Gurga«, deren Struktur durch die extreme Ausdehnung der Verknüpfungen geprägt ist. Das Projekt ist vom Genre der aufblasbaren pneumatischen Skulpturen aus der Kunst inspiriert und verkörpert die Strategie der inversen Aneignung, der Überführung der formellen und visuellen Sprache der Kunst in die Wissenschaft, eine künstlerische Praxis des BarabásiLabs.
Albert-László Barabási, Csaba Both, Alice Grishchenko, »Gurgas«, 2021
BarabásiLab, »Gurgas«, 2021
BarabásiLab, »Inflatable Gurga«, 2021
Inflatable Gurga | BarabásiLab. Hidden Patterns. Ludwig Museum
Network Canon (2018)
-
Ikonische 3D-Modelle
3D-Druck
Zufallsgraph
Skalenfreie NetzwerkeNach der Entwicklung eines mathematischen Werkzeugsatzes für die Herstellung von Datenskulpturen kehrte das BarabásiLab 2018 erneut zu dem im Jahr 2000 begonnenen Projekt »Network Canon« zurück, das die Illustration kanonischer Netzwerkmodelle zum Ziel hatte. Durch den 3D-Druck war es nun möglich, die strukturellen Unterschiede zwischen den beiden meistuntersuchten Netzwerkmodellen, dem Erdős-Rényi- und dem Barabási-Albert-Modell, darzustellen. Ersteres basiert auf der Arbeit der ungarischen Mathematiker Pál Erdős und Alfréd Rényi aus dem Jahr 1960 über zufällig verbundene Netzwerke. Letzteres basiert auf der von Albert-László Barabási und Réka Albert im Jahr 1999 entwickelten Theorie, die sogenannte skalenfreien Netzwerke einführte, die von Knotenpunkten mit einer außergewöhnlichen Anzahl von Verbindungen zusammengehalten werden. Diese Entdeckung widersprach der damals vorherrschenden Theorie der zufälligen Netzwerke, die davon ausging, dass die Knoten realer Netzwerke zufällig miteinander verbunden sind, was zu einer eher gleichförmigen, »demokratischen« Netzwerkarchitektur führt. Die zwei in der Ausstellung präsentierten Modelle aus dem Jahr 2018 zeigen den ersten erfolgreichen Versuch, das zufällige beziehungsweise skalenfreie Netzwerk als Datenskulpturen umzusetzen.
Die ebenfalls ausgestellte Datenskulptur des »Human Disease Network« [Netzwerk menschlicher Krankheiten] ist der erste Prototyp eines mehrfarbigen 3D-Drucks. Die dreidimensionale Ausrichtung der endgültigen 3D-Farbversion macht zuvor verborgene Beziehungen zwischen Krankheitsklassen sichtbar, die in der zweidimensionalen Visualisierung weitgehend nicht wahrnehmbar sind.