In der For­schung spielt KI schon län­ger eine wich­tige Rolle. Ein inter­na­tio­na­les For­schungs­team unter Betei­li­gung der TU Wien zeigt nun die eigen­stän­dige Ent­wick­lung von Phy­sik-Expe­ri­men­ten via KI. Auch beim Design kann es nütz­li­che Aus­wir­kun­gen geben.

Bis dato brach­ten Men­schen die Wis­sen­schaft voran, indem sie sich aus­ge­klü­gelte Expe­ri­mente aus­den­ken, die so ange­legt sind, dass ihr Ergeb­nis auf mög­lichst klare und ver­ständ­li­che Weise etwa die Gesetze der Natur behan­delt. Nun hat ein inter­na­tio­na­les For­schungs­team die Frage gestellt, ob sich das unter Ver­wen­dung von KI auch auto­ma­ti­sie­ren lässt. Die Ant­wort lau­tet ja: In unter­schied­li­chen Berei­chen der Phy­sik kann die KI Expe­ri­mente vor­schla­gen, die prä­zi­sere Ergeb­nisse ermög­li­chen als mensch­lich aus­ge­dachte Experimente.

Die typi­sche Situa­tion in der Expe­ri­men­tal­phy­sik betrifft ein Labor vol­ler Gerä­te­kom­po­nen­ten, viel­leicht Laser und Lin­sen und Spie­gel, viel­leicht ver­schie­dene Detek­to­ren und Elek­tronik­bau­teile. All das lässt sich auf viele Arten mit­ein­an­der kom­bi­nie­ren und aus die­ser Viel­falt expe­ri­men­tel­ler Mög­lich­kei­ten soll man eine aus­wäh­len, die neue Auf­schlüsse über das Uni­ver­sum liefert.

Intui­tion und Erfah­rung ver­sus Algo­rith­men und kom­bi­nierte Kom­po­nen­ten

Dafür braucht es nor­ma­ler­weise Intui­tion und viel Erfah­rung. „Aber manch­mal ist auch das nicht genug“, so Mario Krenn, Pro­fes­sor für Maschi­nel­les Ler­nen in der Wis­sen­schaft an der Uni­ver­si­tät Tübin­gen. Seine Stu­di­en­zeit ver­brachte Krenn in Wien, wo er u.a. am Auf­bau für Quan­ten­ex­pe­ri­mente forschte. „Doch weder mir noch den ande­ren Leu­ten in mei­ner Arbeits­gruppe gelang es, einen pas­sen­den Ver­suchs­auf­bau für die gewünsch­ten Quan­ten­ef­fekte zu fin­den“, so der For­scher.

Krenn beschloss den Com­pu­ter zu fra­gen, beschrieb die zur Ver­fü­gung ste­hen­den Kom­po­nen­ten mathe­ma­tisch – und ließ sodann einen Algo­rith­mus nach kom­bi­nier­ten Kom­po­nen­ten für ein sinn­vol­les Expe­ri­ment suchen. „Das Pro­gram­mie­ren dau­erte nur ein paar Stun­den, dann ging ich nach Hause und ließ den Com­pu­ter rech­nen“, erzählt Mario Krenn. „Am nächs­ten Tag hatte das Pro­gramm einen Lösungs­vor­schlag. Das war auf­re­gend. Der Com­pu­ter hatte – im Gegen­satz zu uns allen – einen Ver­suchs­auf­bau gefun­den, der die nöti­gen Kri­te­rien erfüllte.“

Ein Such­pro­blem und kein Chatbot

Mit KI von Large Lan­guage Models (LLMs) hat die­ser Ansatz aller­dings wenig zu tun. Diese Chat­bots wer­den mit gro­ßen Daten­men­gen trai­niert, dann lie­fern sie Lösun­gen, die sta­tis­tisch gese­hen eine große Wahr­schein­lich­keit haben. Bei der Suche nach neuen Phy­sik-Expe­ri­men­ten ist die Auf­gabe ganz anders. „Es gibt einen unüber­blick­bar gro­ßen Raum an mög­li­chen Expe­ri­men­ten, die mit den ver­füg­ba­ren Kom­po­nen­ten auf­ge­baut wer­den kön­nen. Und die­sen Raum muss der Com­pu­ter sys­te­ma­tisch durch­su­chen, um eine mög­lichst gute Lösung zu fin­den“, erläu­tert Krenn.

„Die Erfolge sind beein­dru­ckend“, bestä­tigt Phil­ipp Has­lin­ger vom Zen­trum für Elek­tro­nen­mi­kro­sko­pie der TU Wien. „Gerade in der Elek­tro­nen­mi­kro­sko­pie begin­nen wir erst jetzt, sys­te­ma­tisch mit Ver­schrän­kung und neuen quan­ten­me­cha­ni­schen Mikro­sko­pie-Kon­zep­ten zu arbei­ten. In die­sem Bereich ist die mensch­li­che Intui­tion oft nur sehr schwach aus­ge­prägt. Mit­tels KI kön­nen daher Mikro­skop-Designs gefun­den wer­den, auf die ein Mensch ver­mut­lich nie gekom­men wäre, die aber deut­lich bes­sere Bil­der oder völ­lig neue Mess­mög­lich­kei­ten liefern.“

Ein uni­ver­sel­ler Phy­sik-Simu­la­tor als Ziel­set­zung

Eine Ver­bes­se­rungs­va­ri­ante betrifft auch Fusi­ons­re­ak­to­ren mit der Ent­wick­lung neuer Ideen für Teil­chen­de­tek­to­ren und Vor­schlä­gen, wie Detek­tor­sys­teme für Gra­vi­ta­ti­ons­wel­len noch emp­find­li­cher gemacht wer­den kön­nen. „Manch­mal sieht man diese com­pu­ter­ge­nerier­ten Expe­ri­ment­vor­schläge und erkennt rasch, warum das neue Kon­zept bes­ser funk­tio­niert. Manch­mal ist es aber auch schwer zu ver­ste­hen: Man kann nach­rech­nen, dass das neue Expe­ri­ment-Setup bes­ser funk­tio­niert, aber man kann nicht wirk­lich in Worte fas­sen, warum das so ist“, so Mario Krenn von der Uni Tübin­gen.

Diese neuen Ent­wick­lun­gen sind mög­lich, weil moderne Com­pu­ter eine Viel­zahl phy­si­ka­li­scher Situa­tio­nen in über­schau­ba­rer Zeit simu­lie­ren kön­nen. „Das Ziel ist, so etwas wie einen uni­ver­sel­len Phy­sik-Simu­la­tor zu ent­wi­ckeln. Mit ein paar wich­ti­gen Grund­for­meln der Phy­sik kommt man heute sehr weit. Der Com­pu­ter könnte damit vor­her­be­rech­nen, was bei einem bestimm­ten Ver­suchs­auf­bau pas­siert und den Ver­suchs­auf­bau dann gemäß der Ziel­vor­gabe opti­mie­ren“, skiz­ziert Krenn.

Geteilte Auf­ga­ben in der Zukunft

Das Ziel vor­zu­ge­ben, bleibt jedoch wei­ter die Auf­gabe des Men­schen. „Prä­zise zu defi­nie­ren, was man eigent­lich haben möchte, ist die Her­aus­for­de­rung. Auch wel­che Neben­be­din­gun­gen ein­ge­hal­ten wer­den müs­sen: Eine Kos­ten­ober­grenze etwa, oder eine maxi­male Ener­gie, die das Gerät auf­neh­men kann, ohne zu explo­die­ren“, erläu­tert Krenn.

Ist es nicht auch ein biss­chen schade, wenn man die gro­ßen wis­sen­schaft­li­chen Heu­reka-Momente künf­tig dem Com­pu­ter über­lässt? „Nein. Die mensch­li­che Arbeit ver­schiebt sich nur auf eine höhere Ebene. Frü­her musste man Rech­nun­gen per Hand durch­füh­ren, das wünscht sich heute auch nie­mand mehr zurück. Jetzt haben wir Tools, die für uns tolle Expe­ri­ment­ideen ent­wi­ckeln und zur Anwen­dung braucht man auch künf­tig Sach­ver­stand, Krea­ti­vi­tät und ein gutes Gespür für Phy­sik“, betont Mario Krenn, Pro­fes­sor für Maschi­nel­les Ler­nen in der Wis­sen­schaft an der Uni­ver­si­tät Tübin­gen. (red/​czaak)