Der Physiker in der Maschine: Wie KI das Universum neu entdeckt

In der Physik ging es schon immer darum, den „Quellcode“ der Realität zu finden. Jahrhundertelang war das Handarbeit: Tycho Brahe starrte jahrzehntelang in die Sterne, damit Johannes Kepler jahrelang Formeln kritzeln konnte, um die Gesetze der Planetenbewegung zu finden. Aber was, wenn wir den „Kepler“-Teil automatisieren könnten?

Wir erleben eine stille Revolution. KI ist nicht mehr nur ein Werkzeug zur Datenanalyse, sondern wird zum Mitstreiter bei der Entdeckung physikalischer Gesetze. Voran gehen Denker wie Max Tegmark, dessen Arbeit uns zu einer Frage zwingt: Kann eine Maschine das Universum besser verstehen als wir? Vielleicht erkennt sie zumindest Muster und Gesetze in Daten, die wir Menschen übersehen haben ...

Das „Black-Box“-Problem (und wie man es löst)

Lange waren Physiker skeptisch gegenüber Deep Learning. Warum? Weil Wissenschaft Erklärbarkeit braucht. Wenn ein neuronales Netz die Bahn eines Teilchens mit 99,9 % Genauigkeit vorhersagt, aber nicht sagen kann, warum (die Gleichung), ist es für die Theorie nutzlos. Es ist eine „Black Box“. Max Tegmark, Kosmologe und KI-Forscher am MIT, ging das direkt an – mit einem Projekt namens AI Feynman.

Tegmark und sein Team stellten eine einfache Frage: Kann eine KI einen Datensatz ansehen und genau die symbolische Gleichung ausgeben, die ihn erzeugt hat? Sie fütterten die KI mit Daten aus 100 berühmten Gleichungen der Feynman Lectures on Physics. Das Ergebnis?

Die KI hat nicht einfach „eine Kurve angepasst“. Sie hat die exakten symbolischen Formeln für Gravitation, Elektromagnetismus und Strömungsdynamik wiederentdeckt. Sie hat die Gesetze der Physik praktisch aus rohen Zahlen rückwärts entwickelt.

Das ist Symbolic Regression auf Steroiden. Es ist der Wechsel von „KI als Orakel“ (sie kennt die Antwort, verrät aber nicht, wie) zu „KI als Übersetzer“ (sie findet die Mathematik, die im Rauschen steckt).

Jenseits von Tegmark: Die „Universalgelehrten“-Engines

Während Tegmark sich auf die Sprache der Physik (Mathematik) konzentriert, arbeiten andere an ihrer Intuition. Jüngste Durchbrüche in „AI for Science“ (etwa die Initiative Polymathic AI) bauen „Foundation Models“ für die physische Welt. So wie ChatGPT das Internet liest, um Sprache zu verstehen, lesen diese Modelle turbulente Strömungsdaten, Sternbahnen und molekulare Wechselwirkungen, um Dynamik zu verstehen.

Seither sehen wir enorme Fortschritte:

CERN und Teilchenphysik: Am Large Hadron Collider filtert KI heute Milliarden von Kollisionen nach „Anomalien“, die handcodierten Algorithmen entgehen könnten. Sie jagt den Geist in der Maschine – Signaturen von Dunkler Materie oder neuen Teilchen.

Kondensierte Materie: Phasenübergänge zu erkennen (wie Wasser, das zu Eis wird, nur quantenmechanisch) ist notorisch schwer. Machine-Learning-Modelle erkennen heute feine Zustandswechsel der Materie, die kein menschliches Auge je in den Daten sähe.

Fusionsenergie: 2024 nutzten Forscher KI, um „Plasmainstabilitäten“ in Fusionsreaktoren Millisekunden vor ihrem Auftreten vorherzusagen und zu verhindern – und hielten so die Sonne in der Flasche ein Stück länger.

Die Ära des „KI-Copiloten“

Wir steuern auf eine Zukunft zu, in der sich Mensch und Algorithmus vielleicht einen Nobelpreis teilen. So sieht der Workflow des Physikers von morgen aus:

Der Mensch stellt die übergeordnete Frage („Warum rotiert diese Galaxie zu schnell?“).

Die KI durchsucht Petabytes an Teleskopdaten, simuliert eine Milliarde Szenarien und schlägt per Symbolic Regression drei mögliche mathematische Gesetze vor, die zu den Daten passen.

Der Mensch deutet die Physik, filtert die „Halluzinationen“ heraus und entwirft das Experiment, das es beweist.

Warum das für Business und Tech zählt

Sie fragen sich vielleicht: „Ich bin kein Physiker – warum sollte mich das interessieren?“ Weil Physik der ultimative Edge Case ist.

Wenn wir KI bauen können, die Kausalität und Erhaltungssätze versteht (nicht nur Korrelation), bekommen wir KI, die in der realen Welt sicherer, zuverlässiger und robuster ist. Eine KI, die „Gravitation“ versteht, fährt ein Auto nicht nur anhand von Pixeln, sondern anhand der physikalischen Grenzen von Reibung und Impuls.

Bei der Arbeit von Tegmark und seinen Kollegen geht es nicht nur um das Verständnis des Urknalls. Es geht darum, eine KI zu bauen, die die Realität versteht.