Die gesamte Serie lesen
Dieser Artikel ist Teil einer ausführlichen Anleitung dazu, wie wir mit Quilters physikgestützter Layout-Automatisierung einen Computer auf Basis des NXP i.MX 8M Mini nachgebaut haben.
Stelios Stavroulakis: Lernen, was man nicht tun sollte, und das Nächste entwickeln
In Quilters Reihe Humans in the Loop wirken manche Gespräche, als zeichneten sie eine gerade Linie durch die Zeit. Nicht, weil der Weg leicht war, sondern weil er von Anfang an bewusst gewählt wurde. Stelios Stavroulakis gehört zu den seltenen Menschen, deren heutige Arbeit erstaunlich genau dem entspricht, was sie sich Jahrzehnte zuvor vorgenommen hatten. Er geriet weder zufällig in die Ingenieurarbeit noch wandte er sich aus Trendbewusstsein oder Bequemlichkeit der künstlichen Intelligenz zu. Er verfolgte diesen Weg bewusst, gründlich und mit einem ganzheitlichen Blick darauf, wie sich Systeme im Lauf der Zeit verhalten.
Stelios promovierte in Informatik an der University of California, Irvine, mit Schwerpunkt Reinforcement Learning und Zusammenarbeit mehrerer Agenten. Zuvor studierte er Elektrotechnik und Informatik an der National Technical University of Athens, der führenden Ingenieurhochschule Griechenlands. Bei Quilter verbindet er diese beiden Disziplinen, um eines der schwierigsten Probleme des modernen Hardwaredesigns anzugehen: Wie lassen sich riesige kombinatorische Räume erkunden und dabei die unerbittlichen Randbedingungen physischer Systeme einhalten?
Abschlüsse allein erklären nicht, warum Stelios so genau zu Quilter passt. Wichtiger ist, wie er denkt, wie er lernt und wie er Komplexität als etwas versteht, das erkundet statt vermieden werden sollte.
Anfänge: Ingenieurwerden stand von vornherein fest
Für Stelios war Ingenieurarbeit eine natürliche Entwicklung, geprägt von seiner Neugier und seinem Umfeld. „Ich wusste immer, dass ich Ingenieur werden würde“, sagt er. „Es gibt Videos von mir als Sechsjährigem, in denen ich in die Kamera sage: Wenn ich groß bin, will ich Wissenschaftler werden.“ Diese frühe Gewissheit zeigte sich als ruhiges Selbstvertrauen. Sie erlaubte ihm, in die Tiefe statt in die Breite zu gehen und sich ganz festzulegen, ohne sich zu fragen, was er sonst hätte werden können.
Als kleines Kind war seine bevorzugte Ausdrucksweise räumlich. Dadurch wurde Geometrie früh zu einer greifbaren Erfahrung. Er erinnert sich daran, ein kleines Winkellineal mit sich herumgetragen und aus reiner Freude sich kreuzende Linien gezeichnet zu haben. "Ich liebte die grundlegenden Regeln des Raums und konnte sie überall erkennen", erinnert er sich. "Selbst im Kunstunterricht faszinierten mich Fluchtpunkte und die Möglichkeit, mit zusammenlaufenden Linien eine 3D-Welt auf eine 2D-Fläche zu übertragen."
Zugleich wuchs er mit einem Vater auf, der als Universitätsprofessor Regelungstheorie lehrte, und mit älteren Brüdern, die Elektrotechnik studierten. Gespräche über Systeme und Rückkopplung gehörten zum Alltag zu Hause. Lange bevor er die formale Mathematik der Systemstabilität kannte, nahm er ganz selbstverständlich intuitive Regeln für Gleichgewicht, Zielkonflikte und Logik auf.
Diese reine Freude am Entdecken hat ihn nie verlassen. Ingenieurarbeit ist für Stelios nicht nur eine berufliche Rolle. Sie ist schlicht seine Art, sich mit der Welt auseinanderzusetzen.
Wege durch die Ingenieurarbeit: Von Signalen zu lernenden Systemen
An der National Technical University of Athens absolvierte Stelios ein fünfjähriges Diplomstudium auf Masterniveau und beschäftigte sich mit analoger und digitaler Elektronik. Er fertigte PCBs auf traditionelle Weise mit fotolithografischen Verfahren, die Geduld und Präzision erforderten. Diese praktische Grundlage im Umgang mit physischen Artefakten war wichtig. Sie lehrte ihn, dass Design nie lange abstrakt bleibt. Irgendwann müssen Elektronen fließen.
Gleichzeitig zog ihn seine lebenslange Begeisterung für Musik zur Signalverarbeitung. Doch herkömmliche analytische Werkzeuge stießen bei komplexen Problemen wie der Transkription mehrstimmiger Musik an Grenzen. Ein Sommerworkshop in Stanford zur Musikinformationssuche führte ihn zum maschinellen Lernen, und etwas machte klick: Signale mussten nicht mehr nur analysiert werden. Mit genügend Beispielen konnte ein System auch selbst lernen, Muster zu erkennen.
Doch das Lernen aus vorhandenen Daten war nur die halbe Aufgabe. Stelios wollte Systeme bauen, die die Welt nicht nur beobachten, sondern durch Handeln eigene Erfahrungen erzeugen. In seiner Diplomarbeit wandte er Reinforcement Learning auf das Lösen des Rubik-Würfels an – ein früher Hinweis auf seine Faszination für sequenzielle Entscheidungsprobleme, bei denen rohe Rechengewalt scheitert und sich Strategie mit der Zeit entwickelt.
Dieser rote Faden führte ihn an die UC Irvine. Dort vertiefte er sich in die Forschung zum Reinforcement Learning und absolvierte während seiner Promotion fünf Forschungspraktika. Jedes erkundete einen anderen Anwendungsbereich und erweiterte die Einsatzmöglichkeiten von Reinforcement Learning.
Am Pacific Northwest National Laboratory arbeitete er an Reinforcement Learning für die industrielle Leistungsregelung. Bei Zebra Technologies – einem Unternehmen, das er als „das größte Unternehmen, von dem man noch nie gehört hat, weil es den Barcode erfunden hat, den alle nutzen, aber niemand kennt“ beschreibt – begegnete er der Komplexität von Reinforcement Learning mit mehreren Agenten. Die Ablaufplanung in Lagerhäusern konfrontierte ihn mit nichtstationären Umgebungen, in denen "alle Konvergenzgarantien über Bord gehen" und Erfolg davon abhängt, viele rationale Agenten mit begrenzten lokalen Zielen zu koordinieren.
Später arbeitete Stelios bei Qualcomm an großen Sprachmodellen und wandte Reinforcement Learning unter anderem auf die Steuerung des Temperaturparameters an, um Halluzinationen zu verringern. Außerdem wurde er aus über 400 Bewerbern für das Reinforcement Learning Open Source Festival ausgewählt und arbeitete mit Microsoft-Forschern daran, die Kontextzuführung für Sprachmodelle zu optimieren. Durch all diese Erfahrungen zog sich ein gemeinsames Thema: Lernende Systeme funktionieren nur, wenn man die Struktur ihrer Umgebung respektiert.
Warum Quilter: Randbedingungen als Chance
Nach Jahren akademischer Forschung und praktischer Erprobung in der Industrie fühlte sich Quilter unausweichlich an. „Es war einfach wie eine himmlische Fügung“, sagt Stelios mit Blick auf das seltene Zusammentreffen seines elektrotechnischen Hintergrunds mit seiner Expertise im Reinforcement Learning.
Bei Quilter begeistert ihn die zentrale Herausforderung: ein außerordentlich schwieriges kombinatorisches Problem zu lösen. Platzierung und Routing sind eine Ausprägung davon, doch für ihn ist das Problem universell. „Diese kombinatorischen Probleme sind alle wirklich schwierig. Es gibt keine eindeutige Lösung. Wie man das Problem angeht und modelliert, entscheidet zum größten Teil über den Erfolg.“
Diese Sichtweise wurzelt in der Realität des Fachgebiets. „Es gibt keine optimale Platine“, erklärt Stelios. „Die Übersetzung der Schaltplanabsicht in physische Hardware gleicht eher einem Aushandeln von Kompromissen.“ Die eigentliche Frage ist, wie man sich zwischen vielen brauchbaren Lösungen bewegt und entscheidet, welche Zielkonflikte wichtig sind.
Diese Philosophie erstreckt sich darauf, wie lernende Systeme besser werden. Über Quilters Arbeit sagt er: „Wenn man etwas lernen möchte, muss man sowohl lernen, was man nicht tun sollte, als auch, was man tun sollte.“ Randbedingungen sind keine Hindernisse. Sie sind Grenzen und zugleich Chancen, die übermenschliche Leistung ermöglichen.
Mit Blick nach vorn begeistert Stelios die Aussicht, Platzierung und Routing als „zwei Spieler im selben Spiel“ zusammenzuführen, statt sie als getrennte Phasen zu behandeln. Diese Ambition beruht nicht auf Spektakel, sondern auf Stimmigkeit: weniger unverbundene Regeln, stärker integriertes Schlussfolgern.
Kultur und Zusammenarbeit: Gemeinsam lernen
Trotz seines tiefen technischen Fokus hatte Stelios nicht erwartet, in einem Startup zu arbeiten. Was ihn an Quilter am stärksten beeindruckte, war die Kultur. „Ich bin überwältigt davon, wie viel Fürsorge es gibt“, sagt er und betont, wie Vertrauen und Aufmerksamkeit die tägliche Arbeit prägen. In einem kleinen Team wird Zusammenarbeit persönlich. Ideen zirkulieren frei, jeder wird gehört. „Ich lerne so viel aus diesem regelmäßigen Ideenaustausch mit dem Team.“
Diese Offenheit spiegelt seine umfassendere Weltsicht wider. Er entdeckt gern verborgene Parallelen zwischen technischen Systemen und dem Alltag: etwa wie ein Computer, der ungenutzten Speicher freigibt, einem Rechtssystem ähnelt, das veraltete Vorschriften beseitigt, oder wie ein Parkplatz mit ungünstigen Lücken an die zunehmende Fragmentierung einer Festplatte erinnert. "Etwas unglaublich Befriedigendes leuchtet in meinem Gehirn auf, wenn ich zwei scheinbar unverbundene Dinge aufeinander abbilden kann", sagt er. Es ist derselbe Impuls, der Innovation in komplexen Systemen antreibt: Mustererkennung über Grenzen hinweg.
Jenseits der Werkbank: Struktur, Chaos und Spiel
Auch außerhalb von Quilter spiegeln Stelios’ Interessen seine berufliche Philosophie wider. Er spielt Footvolley, eine brasilianische Verbindung aus Beachsoccer und Volleyball, die Kreativität innerhalb strenger Regeln verlangt. Er liebt Salsa, besonders die Improvisation. "Wenn es völlig chaotisch wäre, würde es keinen Spaß machen", bemerkt er. "Wenn es vollkommen strukturiert wäre, würde es dann Spaß machen?" Die Freude liegt im Gleichgewicht. "Ob man den Grundriss einer Stadt, ein Musikstück oder sogar Hardwaredesign betrachtet", überlegt er, "die Schönheit liegt immer in der Mitte. Es geht darum, herauszufinden, wie viel Freiheit man innerhalb seiner Randbedingungen tatsächlich hat."
Essen und Kaffee verbinden ihn mit Griechenland. Sein ideales Gericht ist einfach und persönlich: griechisches Souvlaki mit einem griechischen Eiskaffee. Das Ritual ist ebenso wichtig wie der Geschmack. Es vereint Geborgenheit, Kultur und Erinnerung.
Ein Satz, der bleibt
Um sein Denken auf den Punkt zu bringen, zitiert Stelios Harry Klopf: "Andere Lernparadigmen handeln von Minimierung; Reinforcement Learning handelt von Maximierung." Das ist mehr als ein Vorzeichenwechsel. Minimierung passt sich lediglich dem Bekannten an, während Maximierung aktiv das Unbekannte erkundet – getrieben von der Neugier, was es sonst noch zu entdecken gibt. Diese Haltung kontinuierlicher Erkundung ist der Motor echter Neuerung und trifft Quilters Ansatz genau.
