Eine physikalische Theorie, die sich als nützlich erwiesen hat, um das Massenverhalten von Molekülen und Fruchtfliegen vorherzusagen, scheint auch in einem ganz anderen Kontext zu funktionieren – auf einem Basketballplatz.
Ein Modell, das auf der Dichtefunktionaltheorie basiert, kann die beste Positionierung für jeden Spieler auf dem Basketballplatz in einem bestimmten Szenario vorschlagen, wenn er seine Wahrscheinlichkeit erhöhen möchte, entweder erfolgreich zu treffen oder zu verteidigen.
Boris Barron, ein Doktorand in Physik, der mit Tomás Arias, Professor in der Fakultät für Physik an der Hochschule für Künste und Wissenschaften, zusammenarbeitet, präsentierte seine Arbeit am 9 Konferenz der American Physical Society in Las Vegas.
Barron hatte die Idee zu seinem Projekt von Nathan Sitaraman, der sich mit einem NBA-Team berät, um ihnen zu helfen, ihr Spiel durch Datenanalyse zu verbessern. Sitaraman konnte hochdetaillierte Daten der Spielerpositionen aus den NBA-Spielen dieser Saison sichern, die Barron dann zur Entwicklung seines Modells verwendete.
Anhand der Ergebnisse ist Barron in der Lage:
„Wir können genau sehen, wo ein Spieler sein sollte, um seinem Team zu helfen, und diese wenigen Schritte können zu einem Unterschied von bis zu 3 % (beim Erfolg) führen“, sagte er.
„In diesen Highscoring-Spielen sind drei von 100 Punkten eine große Sache für einen Spieler“, sagte Arias, Presidential Fellow von Stephen H. Weiss.
Die mathematischen Modelle, die Barron verwendet, basieren auf Nobelpreis-gekrönten Methoden, die ursprünglich entwickelt wurden, um große Ansammlungen von quantenmechanisch wechselwirkenden Elektronen zu untersuchen. Die Arbeit baut auf der Forschung von Arias auf, die mathematische Konzepte und Ansätze aus der Theorie der dichtefunktionalen Fluktuation kombiniert, um alles vom Massenverhalten bis hin zu sozialen Phänomenen wie Migration und Segregation zu untersuchen.
Diese Methoden funktionieren, wenn Sie ein Spiel wie Basketball analysieren, sagte Arias, weil das Verhalten von Personengruppen schwer zu quantifizieren ist.
„Unsere Physiktechniken kommen ins Spiel, weil man die Spieler nicht einzeln betrachtet, sondern wie sie auf dem Platz zusammenarbeiten“, sagte er. „Deshalb brauchen Sie diese übergeordnete Analyse.“
Die Implikationen für Mannschaftssportarten wie Basketball sind offensichtlich, sagte Barron.
Trainer könnten team- oder spielerspezifische Daten für ihre Gegner in dieses Modell eingeben, um eine Strategie zu entwickeln, um die häufigsten Spielzüge zu vereiteln. Trainer könnten vor einem Spiel Berechnungen durchführen und sie dann auf einem intelligenten Gerät anzeigen, das sie auf der Bank verwenden könnten, um ihnen zu helfen, die genauen Routen zu veranschaulichen, die die Spieler auf der Grundlage von Daten einschlagen sollten. Sie könnten spezifische Daten zu jedem ihrer Spieler erhalten, um herauszufinden, welche Spieler am meisten zum Erfolg des Teams beitragen.
Denken Sie an den Film „Moneyball“ aus dem Jahr 2011, sagte Arias, in dem Brad Pitt Billy Beane spielt, Manager der Oakland A’s der Major League Baseball, der ein Team auf der Grundlage von Datenanalysen zusammenstellt, wobei er die Prozentsätze der Spieler auf der Basis anstelle traditioneller Erfolgsmaßstäbe verwendet .
„Unser Ansatz ist ziemlich allgemein“, sagte Barron, „daher sehe ich, dass der Sport im weiteren Sinne davon profitieren könnte. Detaillierte Positionsdaten werden zunehmend verfügbar.“
Mehr Informationen:
Density-Functional Fluctuation Theory (DFFT)-Ansatz zur Modellierung von Basketball: march.aps.org/sessions/S14/7