Integrative Visuelle Abstraktion von Molekularen Daten

In den bildenden Künsten ist Abstraktion ein wichtiges Mittel, um die Struktur, die Stimmung, die grobe Form oder die Dynamik einer Szene darzustellen. In der Illustration wird Abstraktion außerdem genutzt, um wichtige Konzepte, Methoden, oder verschiedene physikalische Phänomene zu vermitteln. Mittels computergestützter Visualisierung können wir somit mittels Abstraktion wichtige Einsichten hervorheben, die sonst in komplexen Datensätzen schwer zu entdecken sind. Allerdings haben wir im Moment noch nur ein ungenügendes Verständnis vom Konzept der Abstraktion. Intuitiv verstehen wir darunter, dass wir unwichtige Details entfernen, um uns auf das Wesentliche konzentrieren zu können. In unserm Forschungsprojekt wollen wir uns also damit beschäftigen, Abstraktion besser zu verstehen und seine wesentlichen Prinzipien zu charakterisieren, damit wir sie in der Visualisierung gewinnbringend einsetzen können. Solche Visualisierungen, die von Abstraktion Gebrauch machen, sind besonders für Darstellungen wichtig, in denen mehrere Informationsebenen gleichzeitig dargestellt werden sollen. Ohne ein sorgsames Management der visuellen Ressourcen würde man sonst nur Visualisierungen erhalten, die schwer zu verstehen sind, weil diverse Informationen um die Aufmerksamkeit des Betrachters wetteifern würden. Ein Beispiel für einen solchen Fall ist es, wenn in einem GPS-Navigationssystem zu viele Informationen gleichzeitig dargestellt werden, wie etwa zu viele Marken für Sehenswürdigkeiten in dicht besiedelten Gebieten. Wir wollen uns konkret auf die Abstraktion von molekularen Visualisierungen konzentrieren, um verschiedene Daten in unterschiedlichen räumlichen und zeitlichen Größenordnungen darstellen zu können. Dabei sollen Wissenschaftler bei der Datenanalyse sich trotzdem noch auf die wesentlichen Aspekte konzentrieren können, ohne von den Details abgelenkt zu werden.

In many aspects of our modern lives we face the problem of having to make sense of large amounts of data. This applies to scientists trying to make sense of their experiments and simulations, to bankers and traders trying to understand the dynamics of the financial markets, and to large enterprises which need to understand the principles behind demand and supply-to name just a few examples. The basic problem in all these cases is that people need to identify important and/or unexpected features in large simulated or captured datasets. Visualization is the domain that facilitates this process of sense-making by dramatically simplifying the process of obtaining an understanding of the data-by representing data visually and thus amplifying people's cognition. This inherent capability of (good) visualization techniques to amplify human cognition, however, is no longer enough to be able to make sense of today's huge datasets. To be able to see the essential aspects we need dedicated mechanisms that abstract away the (unnecessary) detail to, in turn, allow the user of the visualization to focus on the important elements. The crucial problem in this context is that it is impossible to know what is important and what is not in a general way-importance changes based on the research question, on the application domain, on the data size, on the user, on the specific situation, etc. Visualization technology therefore needs to support dynamic change of visual abstraction of the data to reflect these contextual changes. The fundamental research challenge in visualization for us is to get an understanding of what (visual) abstraction really is, what it means, how it can be controlled, and how it is, can be, and should be used in visualization.