02.09.2026
Künstliche Intelligenz schlägt neue Physik-Experimente vor
In der Forschung spielt AI längst eine wichtige Rolle. Nun zeigt ein internationales Forschungsteam: Sogar beim Design neuer Experimente kann künstliche Intelligenz bemerkenswert nützlich sein.
Forschen heißt, Fragen ans Universum stellen. Seit Jahrhunderten bringen kluge Menschen die Wissenschaft voran, indem sie sich ausgeklügelte Experimente ausdenken, die so angelegt sind, dass ihr Ergebnis auf möglichst klare und unmissverständliche Weise etwas über die Gesetze der Natur verrät.
Ein internationales Forschungsteam hat nun die Frage gestellt: Lässt sich das automatisieren? Kann künstliche Intelligenz neue Experimentideen entwickeln? Und die Antwort ist ein klares Ja: In unterschiedlichen Bereichen der Physik kann die AI Experimente vorschlagen, die präzisere Ergebnisse ermöglichen als Experimente, die sich Menschen ausgedacht haben. Im Fachjournal Nature präsentierte das Team nun den aktuellen Stand dieser neuen Art zu forschen.
Das beste Experiment aus vorhandenen Bausteinen
Die typische Situation in der Experimentalphysik: Man hat ein Labor voller Gerätekomponenten, vielleicht Laser und Linsen und Spiegel, vielleicht verschiedene Detektoren und Elektronikbauteile. All das lässt sich auf unüberblickbar viele Arten miteinander kombinieren. Und aus dieser unüberblickbaren Vielfalt experimenteller Möglichkeiten soll man eine auswählen, die neue Aufschlüsse über das Universum liefert.
Dafür braucht man normalerweise Intuition und viel Erfahrung. Aber manchmal ist auch das nicht genug, wie Mario Krenn feststellen musste, der heute als Professor für Maschinelles Lernen in der Wissenschaft an der Universität Tübingen forscht. Seine Studienzeit verbrachte er in Wien, damals tüftelte er am Aufbau für sein Quantenexperiment. Doch weder ihm noch den anderen Leuten in seiner Arbeitsgruppe gelang es, einen passenden Versuchsaufbau zu finden, der die gewünschten Quanteneffekte demonstrieren könnte.
Und so beschloss Mario Krenn, den Computer zu fragen: Er beschrieb die einzelnen Komponenten, die zur Verfügung standen, mathematisch – dann ließ er einen Algorithmus nach Kombinationen dieser Komponenten suchen, die ein sinnvolles Experiment ergeben. „Das Programmieren dauerte nur ein paar Stunden, dann ging ich nach Hause und ließ den Computer rechnen“, erzählt Mario Krenn. „Als ich am nächsten Tag ins Büro kam, hatte das Programm eine Datei ausgegeben, mit einem Lösungsvorschlag. Das war natürlich äußerst aufregend: Ich machte mich sofort daran, diesen Vorschlag zu analysieren, und tatsächlich: Der Computer hatte – im Gegensatz zu uns allen – einen Versuchsaufbau gefunden, der die nötigen Kriterien erfüllte.“
Ein Suchproblem, kein Chatbot
Mit AI wie man sie von Large Language Models kennt, hat dieser Ansatz wenig zu tun. Chatbots werden mit gewaltigen Datenmengen trainiert, dann liefern sie Lösungen, die statistisch gesehen eine große Wahrscheinlichkeit haben. Bei der Suche nach neuen Physik-Experimenten ist die Aufgabe eine ganz andere: „Es ist ein riesengroßes Optimierungsproblem“, sagt Krenn. „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.“
„Die Erfolge sind beeindruckend“, sagt auch Prof. Philipp Haslinger, der an der TU Wien das Zentrum für Elektronenmikroskopie leitet. „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. Mithilfe künstlicher Intelligenz können daher Mikroskop-Designs gefunden werden, auf die ein Mensch vermutlich nie gekommen wäre, die aber deutlich bessere Bilder oder völlig neue Messmöglichkeiten liefern.“
Man konnte auf diese Weise auch schon Fusionsreaktoren verbessern, neue Ideen für Teilchendetektoren entwickeln und Vorschläge generieren, wie man Detektorsysteme für Gravitationswellen noch empfindlicher machen kann.
„Manchmal sieht man diese computergenerierten Experimentvorschläge und erkennt rasch, was die Idee dahinter ist, warum das neue Konzept besser funktioniert als bisherige“, sagt Mario Krenn. „Manchmal ist es aber auch sehr 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.“
Möglich wird das, weil moderne Computer eine Vielzahl physikalischer Situation in überschaubarer Zeit simulieren können. „Das Ziel ist, so etwas wie einen universellen Physik-Simulator zu entwickeln“, sagt Mario Krenn. „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.“
Die Kunst, das Ziel zu definieren
Das Ziel vorzugeben, bleibt freilich weiterhin die Aufgabe des Menschen: „Das ist genau die Herausforderung: Präzise zu definieren, was man eigentlich haben möchte, und welche Nebenbedingungen eingehalten werden müssen: Eine Kostenobergrenze etwa, oder auch eine maximale Energie, die das Gerät aufnehmen kann, ohne zu explodieren.“
Ist es nicht auch ein bisschen schade, wenn man die großen Heureka-Momente in der Wissenschaft künftig vielleicht dem Computer überlässt? „Nein, absolut nicht“, findet Mario Krenn. „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 – um diese Tools zu verwenden, braucht man aber auch in Zukunft wissenschaftlichen Sachverstand, Kreativität und ein gutes Gespür für Physik.“
Nach einer Pressemeldung der TU Wien
Teilen
