Deep Take
Ein Computer, der Messwerte auswertet, übernimmt einen vertrauten Teil der Forschung. Ein Computer, der einen noch nicht gebauten Versuch vorschlägt, greift früher ein: Er verändert, welche Beobachtung überhaupt möglich werden soll. Genau darin liegt eine besonders interessante Rolle von KI in der Physik. Sie kann neue Anordnungen finden. Welche davon wissenschaftlich etwas bedeuten, hängt weiterhin davon ab, wie die Aufgabe gestellt und geprüft wird.
Ein im September erschienener Überblick in Nature ordnet das Entwerfen von Experimenten als Suche durch viele mögliche technische Konfigurationen ein. Seine Kernfragen betreffen den erlaubten Suchraum, verlässliche Simulatoren, berechenbare Ziele und geeignete Suchverfahren. Der Überblick beschreibt ein Forschungsfeld, keinen einzelnen Durchbruch eines universellen KI-Wissenschaftlers.
Die Suche begann vor den heutigen Chatbots
Das Verfahren ist älter als der aktuelle Boom großer Sprachmodelle. Die Arbeit zu Melvin, erstmals 2015 als Preprint veröffentlicht, zeigte einen Algorithmus, der neue optische Quantenexperimente entwerfen konnte. Dabei werden mögliche Kombinationen von Bauteilen durchsucht und ihre Eigenschaften berechnet.
Der ungewöhnliche Aufbau ist das Ergebnis dieser Suche. Er muss nicht daraus entstehen, dass eine Maschine eine Forschungsfrage so versteht wie ein Mensch. Für einen nützlichen Vorschlag kann es genügen, viele zulässige Anordnungen systematisch zu prüfen und solche auszuwählen, die das festgelegte Ziel erfüllen.
Diese Unterscheidung macht den Ansatz weder kleiner noch weniger interessant. Menschliche Intuition ist leistungsfähig, durchsucht aber nicht jede denkbare Kombination. Ein Verfahren, das anders sucht, kann Vorschläge liefern, die Fachleute anschließend nachvollziehen und weiterentwickeln.
Offenheit macht aus einer Demonstration ein Werkzeug
Die 2023 veröffentlichte Arbeit zu PyTheus entwickelte diesen Ansatz für die Quantenoptik weiter. Das offene System erzeugt interpretierbare experimentelle Entwürfe für verschiedene Aufgaben. Dazu gehören die Erzeugung bestimmter Quantenzustände und andere Anordnungen zur Verarbeitung von Quanteninformation.
Die im Titel der Arbeit genannten 100 Experimente sind digitale Entwürfe. Die Zahl sollte nicht als Liste von 100 neu errichteten und unabhängig bestätigten Laborversuchen gelesen werden. Der Wert eines solchen Katalogs liegt zunächst darin, unterschiedliche Möglichkeiten sichtbar und für weitere Prüfung zugänglich zu machen.
Ein offenes Werkzeug verändert außerdem, wer mit einem Vorschlag weiterarbeiten kann. Wenn andere Forschungsteams Aufbau und Berechnung nachvollziehen können, lässt sich gezielter untersuchen, welche Annahmen das Ergebnis tragen. Das erleichtert Vergleich und Weiterentwicklung. Es nimmt jedoch niemandem die praktische Prüfung ab.
Die Zielfunktion bestimmt, was die Maschine findet
Der zentrale Gestaltungsakt liegt oft vor dem eigentlichen Suchlauf. Ein Algorithmus benötigt ein Kriterium dafür, was als besser gilt. Ein besonders starkes berechnetes Signal, ein einfacherer Aufbau und eine geringe Empfindlichkeit gegenüber Störungen können verschiedene Ziele sein.
Welche davon vorrangig sind, ist eine Forschungsentscheidung. Optimiert ein Verfahren nur das erste Ziel, darf man aus seinem Ergebnis nicht automatisch auf die anderen schließen. Ein spektakulärer Entwurf kann im Modell überzeugend sein und bei kleinen Abweichungen im Labor Schwierigkeiten machen.
Damit verschiebt sich die kreative Arbeit. Forschende müssen weiterhin entscheiden, welche Frage relevant ist, welche Bauteile überhaupt infrage kommen und welche Vereinfachungen der Simulator vertreten kann. Eine größere Zahl berechneter Entwürfe macht diese Entscheidungen nicht überflüssig. Sie vergrößert ihren Einfluss auf das Ergebnis.
Die Prüfung sollte nicht dieselben Fehler wiederholen
Eine Simulation arbeitet innerhalb ihrer Annahmen. Wenn eine Suche einen Aufbau findet, der genau eine übersehene Schwäche des Modells ausnutzt, kann das Ergebnis auf dem Bildschirm ausgezeichnet wirken. Das ist ein allgemeines Risiko jeder Optimierung gegen einen unvollständigen Maßstab.
Für die Forschung folgt daraus eine sinnvolle Arbeitsteilung: Die Suche erzeugt Kandidaten. Andere Berechnungen, technische Plausibilitätsprüfungen und schließlich Messungen entscheiden, welche Kandidaten tragen. Ein überzeugender Entwurf wird wertvoller, wenn nachvollziehbar ist, warum er funktioniert und wo seine Grenzen liegen.
Die interessante Zukunft dieses Felds besteht deshalb nicht nur in schnelleren Rechnern. Sie hängt auch an besseren Beschreibungen dessen, was ein Experiment leisten soll. KI kann den Raum möglicher Versuche erweitern. Wissenschaftliche Erkenntnis entsteht, wenn aus einer gefundenen Möglichkeit eine überprüfbare Frage an die Natur wird.
Vertiefend bei TechZeitGeist: Starke KI im Labor ist noch nicht einsatzbereit: Was 480 biologische Modelle zeigen.
Quellen
- Klimesch et al.: Designing physics experiments with artificial intelligence (2026-09-02)
- Krenn et al.: Automated Search for new Quantum Experiments (2015-09-09)
- Ruiz-Gonzalez et al.: Digital Discovery of 100 diverse Quantum Experiments with PyTheus (2023-12-12)
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
