KI entwirft bizarre, aber effektive Physik-Experimente

Das Laser-Interferometer-Gravitationswellen-Observatorium (LIGO) stellt den Höhepunkt der Präzisionsmessung dar. Mit Zwillingsdetektoren, die vier Kilometer lange Arme in Washington und Louisiana umfassen, nutzt LIGO Laserstrahlen, um winzige Kräuselungen in der Raumzeit – Gravitationswellen – zu erkennen, die durch kosmische Ereignisse verursacht werden. Seine Empfindlichkeit ist atemberaubend: Es kann eine Änderung der Armlänge registrieren, die geringer ist als die Breite eines Protons, eine Genauigkeit, die vergleichbar ist mit der Messung der Entfernung zu Alpha Centauri auf die Breite eines menschlichen Haares genau. Dieses technische Wunderwerk, dessen Bau und Verfeinerung über zwei Jahrzehnte dauerte, bevor es 2015 die erste Kollision Schwarzer Löcher entdeckte, verschob durch akribischen menschlichen Einfallsreichtum die Grenzen physikalischer Möglichkeiten.

Nach LIGOs bahnbrechender Entdeckung suchte Rana Adhikari, ein Physiker am Caltech, der zuvor das Team zur Detektoroptimierung leitete, dessen Fähigkeiten weiter zu verbessern. Sein Ziel war es, LIGOs Frequenzerfassungsbereich zu erweitern, um eine größere Vielfalt verschmelzender Schwarzer Löcher beobachten und potenziell völlig unvorhergesehene astrophysikalische Phänomene aufdecken zu können. „Wir sollten keine Vorurteile darüber haben, was das Universum hervorbringt“, bemerkte Adhikari und betonte den Wunsch nach neuartigen Entdeckungen.

Um dieses ehrgeizige Ziel zu erreichen, wandten sich Adhikari und sein Team der künstlichen Intelligenz zu. Sie setzten eine Software-Suite ein, die ursprünglich vom Physiker Mario Krenn zur Gestaltung von Quantenoptik-Experimenten entwickelt wurde, und fütterten sie mit einer umfassenden Liste aller möglichen Komponenten – Linsen, Spiegel, Laser –, die zu einem Interferometer konfiguriert werden konnten. Zunächst waren die Designs der KI rätselhaft. Sie erschienen „für Menschen nicht verständlich“, erinnerte sich Adhikari und beschrieb sie als „alienartige Dinge“ oder „ein Chaos“, dem jeder menschliche Sinn für Symmetrie oder Schönheit fehlte.

Trotz ihrer anfänglichen Verwirrung verfeinerten die Forscher die Ausgabe der KI und machten ihre Ideen interpretierbar. Was dabei herauskam, war ein so kontraintuitives Design, dass Adhikari zugab, er hätte es als „lächerlich“ abgetan, hätte ein Student es vorgeschlagen. Doch die Lösung der KI erwies sich als bemerkenswert effektiv. Nach monatelanger Analyse verstand das Team die Logik der KI: Sie hatte einen zusätzlichen drei Kilometer langen Ring hinzugefügt, um Licht zirkulieren zu lassen, bevor es die Hauptarme des Interferometers verließ. Es stellte sich heraus, dass diese scheinbar bizarre Ergänzung esoterische theoretische Prinzipien nutzte, die Jahrzehnte zuvor von russischen Physikern identifiziert wurden, um das quantenmechanische Rauschen erheblich zu reduzieren – Prinzipien, die nie experimentell verfolgt worden waren. Diese KI-gesteuerte Einsicht, bemerkte Adhikari, demonstrierte die Fähigkeit, „weit außerhalb der akzeptierten Lösung“ zu denken, was darauf hindeutet, dass sie, wenn sie während des Baus von LIGO verfügbar gewesen wäre, die Empfindlichkeit des Observatoriums von Anfang an um „enorme“ 10 bis 15 Prozent hätte steigern können. Wie Aephraim Steinberg, ein Quantenoptikexperte an der Universität Toronto, es ausdrückte, hatte die KI etwas erreicht, was „Tausenden von Menschen nicht gelang“, trotz Jahrzehnten tiefgreifenden Nachdenkens über LIGOs Design.

Die Anwendung von KI in der Physik geht über das Experimentdesign hinaus. Sie erweist sich auch als leistungsstarkes Werkzeug zur Analyse komplexer Daten. Mario Krenns Team nutzte beispielsweise seine KI-Software PyTheus, um die Herausforderung des Verschränkungstauschs zu bewältigen, ein Quantenphänomen, bei dem zwei zuvor unverbundene Teilchen verschränkt werden. Während der Nobelpreisträger und Physiker Anton Zeilinger Anfang der 1990er Jahre eine experimentelle Anordnung dafür entwickelt hatte, konzipierte PyTheus eine einfachere, aber ebenso effektive Konfiguration, indem es Erkenntnisse aus einem anderen Studienbereich zog: der Multiphotoneninterferenz. Dieses KI-generierte Design wurde später im Dezember 2024 von einem Team in China experimentell bestätigt, was seine praktische Gültigkeit demonstrierte.

Darüber hinaus entdecken KI-Algorithmen verborgene Muster in riesigen Datensätzen. Kyle Cranmer, ein Physiker an der University of Wisconsin-Madison, nutzte maschinelles Lernen, um die Dichte von Dunkle-Materie-Klumpen im Universum vorherzusagen. Die KI leitete eine Formel ab, die besser zu den Beobachtungsdaten passte als jede von Menschen gemachte Gleichung, auch wenn die zugrunde liegende physikalische Erklärung schwer fassbar blieb. Ähnlich trainierte die Informatikerin Rose Yu an der University of California, San Diego, KI-Modelle, um fundamentale Symmetrien in Daten des Large Hadron Colliders zu identifizieren. Ohne jegliches vorheriges physikalisches Wissen entdeckte die KI erfolgreich die Lorentz-Symmetrien wieder, die für Einsteins Relativitätstheorien entscheidend sind, was ihre Fähigkeit beweist, tiefe physikalische Prinzipien direkt aus Rohdaten zu extrahieren.

Während aktuelle KI-Modelle hervorragend in der Mustererkennung sind, bleibt der entscheidende Schritt der Interpretation dieser Muster, der Formulierung von Hypothesen und des Aufbaus umfassender physikalischer Theorien größtenteils Domäne des menschlichen Intellekts. Doch Experten wie Cranmer und Steinberg sind optimistisch, was die Zukunft betrifft. Das Aufkommen fortschrittlicher großer Sprachmodelle, so schlagen sie vor, könnte KI bald befähigen, den Prozess der Hypothesengenerierung zu automatisieren, was potenziell eine Ära einläutet, in der KI-gestützte Entdeckungen völlig neuer physikalischer Konzepte Realität werden. Dies markiert eine aufregende Schwelle für die wissenschaftliche Erforschung.