Was hilft KI in der Physik?
Der Einsatz künstlicher Intelligenz ist nur mit menschlicher Expertise vielversprechend, wie die neue „Physik in unserer Zeit“ erklärt.
Florian Marquardt
Spätestens in den letzten beiden Jahren nimmt auch die breite Öffentlichkeit war, welch enormes Potenzial die Methoden der künstlichen Intelligenz zeigen. Computer generieren Gemälde und verfassen Texte, die auf den ersten Blick von einem Menschen stammen könnten. Selbst in der Wettervorhersage kann die KI numerische Wettermodelle, die auf physikalischen Regeln basieren, bereits in mancher Hinsicht schlagen. Zugleich rücken auch die Risiken ins Blickfeld, von Falschnachrichten unterstützt durch computergenerierte Bilder bis zu Fehlentscheidungen in kritischen Bereichen wie dem autonomen Fahren.
In der Physik ist der Wert der neuen Methoden in vielen Bereichen bereits erkannt worden. Forschungsfelder mit großen Datenmengen, wie Astronomie oder Hochenergiephysik, nutzen neuronale Netze zur Datenanalyse, um gewissermaßen die Nadel im Heuhaufen zu finden. Materialwissenschaften, Quantenchemie und Vielteilchenphysik profitieren von der Fähigkeit, das Verhalten bisher unerforschter Substanzen besser vorherzusagen. Dierk Raabe zeigt in seinem Beitrag in der neuen „Physik in unserer Zeit“, wie das für die Suche nach besseren metallischen Legierungen genutzt werden kann. Und für komplexe Geräte wie Quantencomputer oder Fusionsreaktoren können automatisch neuartige optimierte Kontrollstrategien gefunden werden.
Alle diese Anwendungen illustrieren auch die Herausforderungen, mit denen nicht nur die Physik zu kämpfen hat. Das maschinelle Lernen beruht letztlich auf dem Training anhand großer Datenmengen. Damit sind Umfang und Qualität der Trainingsdaten von entscheidender Bedeutung. Nur wenn diese stimmen, lassen sich Probleme vermeiden. Die Fähigkeit, vom Trainingsdatensatz auf bislang unerforschtes Gebiet zu verallgemeinern, ist essenziell und zugleich keineswegs einfach zu garantieren. Das ist besonders wichtig gerade auch für Optimierungsaufgaben, wenn sich das gefundene Optimum weit vom bisher bekannten Bereich entfernt und dann zum Beispiel Kontrollstrategien am Experiment in problematische Parameterregionen führen.
Andererseits wirft die Nutzung von Simulationen die Frage auf, wie gut diese mit den realen physikalischen Gegebenheiten übereinstimmen. Um diese und viele ähnliche Herausforderungen zu bewältigen, bedarf es einer gründlichen Kenntnis des jeweiligen Forschungsfeldes. Die Anwendung der Methoden der künstlichen Intelligenz bedeutet jedenfalls heutzutage noch nicht, dass auf menschliche Expertise verzichtet werden könnte.
Die aufregenden Anwendungen der KI in den Naturwissenschaften werfen spannende Fragen auf. Müssen wir damit zufrieden sein, ein neuronales Netzwerk als „Black Box“ anzusehen, oder gibt es Wege, sein Verhalten zu verstehen? Hier zeigt es sich, dass es von Vorteil ist, nicht ein Netzwerk von der Stange zu nehmen, sondern dessen Struktur der physikalischen Fragestellung anzupassen, weil dann die Resultate besser zu interpretieren sind. Auch ist es möglich, ein Netz dazu zu bringen, für gegebene Daten eine gute kompakte Repräsentation zu finden, was ebenfalls das Verständnis erleichtern kann. Im Artikel von Dierk Raabe finden sich Beispiele für die erfolgreiche Anwendung dieser beiden Strategien.
Eine andere Frage: Kann ein Computer „kreative“ Lösungen hervorbringen? Die Antwort scheint auch in der Physik bereits jetzt ein vorsichtiges „Ja“ zu sein, wenn man sieht, welche teils unerwarteten Ergebnisse bei der Suche nach optimierten Materialien oder verbesserten Quantenexperimenten gefunden worden sind. Momentan muss allerdings noch der Mensch bewerten, ob der Computer eine wirklich innovative Entdeckung gemacht hat. Um das zu umgehen, müsste der Computer die existierende wissenschaftliche Literatur verstanden haben – ein Ziel, das bisher noch als sehr ambitioniert erscheint.
In jedem Fall wird diese neuartige Werkzeugkiste einen festen Platz in den Naturwissenschaften finden. Außerdem sind Physikerinnen und Physiker durch ihre mathematische Ausbildung gut aufgestellt, um die Methoden der künstlichen Intelligenz nicht nur anzuwenden, sondern auch kreativ weiterzuentwickeln – zum Beispiel bei der Analyse des Lernprozesses oder bei der Entwicklung neuartiger neuromorpher Hardware zur Beschleunigung neuronaler Netze.
