Agentic Exploration of Physics Models

Die Studie stellt SciExplorer vor, einen auf Large Language Models basierenden Agenten, der ohne domänenspezifisches Vorwissen physikalische Systeme autonom erkundet, um daraus Gesetzmäßigkeiten wie Bewegungsgleichungen oder Hamilton-Operatoren abzuleiten.

Das Wesentliche

Stell dir vor, du bist ein Detektiv, der in ein völlig unbekanntes Haus geschickt wird. Du darfst keine Bücher lesen, keine Pläne sehen und niemanden fragen, wie das Haus funktioniert. Deine einzige Aufgabe: Herausfinden, welche Gesetze dieses Haus regieren.

Das ist im Grunde das, was die Forscher in diesem Papier mit ihrer neuen KI, genannt „SciExplorer", erreicht haben. Hier ist die Erklärung, wie das funktioniert, ohne Fachchinesisch:

1. Der KI-Detektiv (SciExplorer)

Früher waren Computerprogramme wie Spezialisten: Ein Programm konnte vielleicht nur rechnen, ein anderes nur Bilder zeichnen. Wenn du ein neues physikalisches Rätsel hattest, musstest du dem Computer erst alles beibringen.

SciExplorer ist anders. Es ist wie ein allwissender, neugieriger Student, der bereits Millionen von Physikbüchern gelesen hat (dank eines großen Sprachmodells, ähnlich wie ChatGPT), aber noch nie das spezifische Experiment gesehen hat.

• Der Clou: Der Computer bekommt keine fertigen Lösungen oder speziellen Anweisungen für das Rätsel. Er muss selbst herausfinden, was er tun muss.
• Die Werkzeuge: Er hat einen „Zauberstab" (Code ausführen) und eine „Brille" (Bilder zeichnen). Er kann selbstständig Experimente simulieren, Daten analysieren und Grafiken erstellen, um Muster zu erkennen.

2. Wie der Detektiv arbeitet (Der Kreislauf)

Stell dir vor, du wirfst einen Ball in eine unbekannte Schwerkraft-Box.

1. Planung: Der KI-Detektiv denkt: „Okay, ich werfe den Ball mal hierhin, mal dorthin, mal schnell, mal langsam."
2. Experiment: Er wirft den Ball (simuliert es am Computer) und schaut zu, wie er fliegt.
3. Beobachtung: Er sieht: „Aha, der Ball macht keine Kreisbahn, sondern eine Zickzack-Bewegung. Und er wird langsamer."
4. Hypothese: Er denkt: „Vielleicht gibt es eine unsichtbare Feder? Oder Reibung?"
5. Test: Er schreibt sofort einen kleinen Code, um seine Theorie zu testen: „Wenn ich eine Feder hinzufüge, sieht die Simulation dann genauso aus wie mein Experiment?"
6. Wiederholung: Wenn es nicht passt, verwirft er die Idee und probiert etwas Neues aus.

Dieser Kreislauf läuft automatisch ab, bis er die genaue Formel gefunden hat, die die Bewegung des Balls perfekt beschreibt.

3. Was hat er geschafft?

Die Forscher haben SciExplorer an drei sehr unterschiedlichen „Schwierigkeitsstufen" getestet:

• Mechanik (Schaukeln und Pendel): Wie ein Pendel, das hin und her schwingt, aber auch noch gedämpft wird. Die KI hat die genaue Formel für die Bewegung gefunden, nur indem sie zusah, wie sich das Pendel bewegte.
• Wellen (Wasser oder Licht): Stell dir eine Welle vor, die sich durch ein Gitter bewegt. Die KI hat herausgefunden, ob es sich um eine einfache Wasserwelle oder eine komplizierte, nichtlineare Welle handelt, und hat die zugrundeliegende Gleichung (die „Partitur" der Welle) geschrieben.
• Quantenphysik (Die winzige Welt): Das ist wie ein riesiges Puzzle aus magnetischen Spins (kleine Kompassnadeln). Die KI musste herausfinden, wie diese Nadeln miteinander interagieren, ohne sie direkt zu sehen, sondern nur durch Messungen ihrer Ausrichtung. Sie hat die „Regelbücher" (Hamiltonians) für diese Quantensysteme gefunden.

4. Warum ist das so besonders?

Bisher mussten Wissenschaftler oft selbst raten, welche Formeln sie testen sollen. SciExplorer macht das autonom.

• Kein „Futter" nötig: Man muss der KI nicht beibringen, wie man Pendel analysiert. Sie nutzt ihr allgemeines Wissen über Physik und Mathematik, um das neue Problem zu knacken.
• Selbstkorrektur: Wenn die KI einen Fehler macht (z. B. eine falsche Formel vorschlägt), merkt sie das oft selbst, weil ihre Simulation nicht mit den Daten übereinstimmt, und korrigiert sich.
• Robustheit: Selbst wenn die Daten verrauscht sind (wie bei echten Messungen mit Störungen), findet die KI oft noch die richtige Lösung.

5. Wo hakt es noch? (Die Schwächen)

Wie jeder Mensch macht auch die KI Fehler:

• Manchmal gibt sie sich zu früh zufrieden und wählt eine falsche, aber „plausible" Erklärung.
• Manchmal übersieht sie winzige Details in den Grafiken, die für den Menschen offensichtlich wären.
• Bei extrem seltsamen, künstlichen Systemen, die in der Natur so nicht vorkommen, hat sie manchmal Schwierigkeiten, weil sie auf „gesunden Menschenverstand" und bekannte Muster angewiesen ist.

Fazit

SciExplorer ist wie ein autonomer Wissenschaftler. Er kann in eine unbekannte Welt eintreten, Experimente planen, Daten analysieren und am Ende sagen: „Hier ist das Gesetz, das diese Welt regiert."

Das ist ein riesiger Schritt hin zu einer Zukunft, in der KI nicht nur Daten berechnet, sondern neues Wissen entdeckt – sei es in der Physik, aber vielleicht bald auch in der Biologie oder Chemie, um neue Medikamente zu finden oder Materialien zu entwickeln. Es ist der Anfang einer neuen Ära, in der Computer nicht nur Werkzeuge sind, sondern echte Partner bei der Entdeckung der Geheimnisse des Universums.

Technische Zusammenfassung

Titel: Agentic Exploration of Physics Models

Autoren: Maximilian Nägele und Florian Marquardt (Max-Planck-Institut für die Physik des Lichts & FAU Erlangen-Nürnberg)

---

1. Problemstellung

Der wissenschaftliche Entdeckungsprozess basiert traditionell auf einem iterativen Zusammenspiel aus Beobachtung, Analyse und Hypothesengenerierung. Während maschinelles Lernen (ML) zunehmend zur Lösung einzelner Aspekte dieses Prozesses eingesetzt wird (z. B. zur Vorhersage von Experimenten oder zur Analyse von Daten), bleibt die vollständige Automatisierung des heuristischen, iterativen Loops zur Entdeckung unbekannter physikalischer Gesetze eine große Herausforderung.

Bisherige ML-Ansätze sind oft stark auf spezifische Aufgaben und Domänen zugeschnitten und erfordern maßgeschneiderte Architekturen oder Feinabstimmungen (Fine-Tuning). Es fehlt ein allgemeiner Ansatz, der ein System ohne domänenspezifische Blaupausen oder detaillierte Anweisungen autonom erkunden und dessen zugrundeliegende Gesetze (z. B. Bewegungsgleichungen oder Hamilton-Operatoren) ableiten kann.

2. Methodik: SciExplorer

Die Autoren stellen SciExplorer vor, einen autonomen Agenten, der auf Large Language Models (LLMs) basiert und deren Fähigkeiten zur Werkzeugnutzung (Tool Use) nutzt.

• Architektur: Der Agent erhält eine allgemeine Aufgabe (z. B. „Finde ein Modell, das die Experimente reproduziert") und eine Beschreibung der verfügbaren Werkzeuge, aber keine domänenspezifischen Vorlagen oder spezifischen Anweisungen für das physikalische System.
• Werkzeuge: Der Agent hat Zugriff auf ein minimales, aber mächtiges Set an generischen Werkzeugen:
  1. Code-Execution: Ein Python-Interpreter, der es dem Agenten erlaubt, beliebigen Code zur Datenanalyse, zur Simulation von Hypothesen oder zur Durchführung von Regressionen zu schreiben.
  2. Visualisierung: Ein Plotting-Tool, das dem Agenten erlaubt, Daten zu visualisieren und qualitative Muster (z. B. Oszillationen, Dämpfung) zu erkennen.
  3. Experiment-Simulation: Werkzeuge, um numerische Experimente durchzuführen (z. B. Lösen von Differentialgleichungen oder Quantensimulationen).
  4. Externer Speicher: Ein Mechanismus, um Ergebnisse und Zwischenergebnisse persistent zu speichern.
• Arbeitsablauf (Agentic Loop):
  1. Der Agent plant eine Strategie (Hypothesenbildung).
  2. Er führt Experimente durch (z. B. setzt Anfangsbedingungen).
  3. Er analysiert die Ergebnisse (Code-Execution, Plots).
  4. Er verfeinert seine Hypothesen basierend auf den Beobachtungen (Selbstkorrektur).
  5. Dieser Zyklus wiederholt sich, bis der Agent ein zufriedenstellendes Modell findet und es speichert.
• LLM-Backbone: Die Studie verwendet primär GPT-5 als State-of-the-Art-Modell. Es wird gezeigt, dass andere Modelle (wie Gemini 2.5 Pro oder kleinere GPT-Varianten) deutlich schlechter abschneiden, was die Bedeutung von fortschrittlichen Schlussfolgerungsfähigkeiten (Reasoning) unterstreicht.

3. Schlüsselbeiträge

• Generische physikalische Erkundung: Demonstration, dass ein LLM-Agent komplexe physikalische Systeme (mechanisch, Wellen, Quanten) ohne spezifisches Training oder Vorwissen über die exakte Form der Gleichungen entdecken kann.
• Aktives Lernen: Der Agent wählt nicht nur passiv Daten aus, sondern plant aktiv Experimente, um Unsicherheiten zu reduzieren (z. B. durch Variation von Anfangsbedingungen oder Parametern).
• Programmdiscovery: Der Agent löst nicht nur symbolische Regression, sondern generiert vollständige Python-Funktionen, die das System simulieren (inklusive der zugrundeliegenden Gleichungen).
• Vergleich mit Symbolischer Regression: Der Ansatz wird mit etablierten Methoden wie SINDy, AIFeynman und PDEFIND verglichen und zeigt überlegene Ergebnisse in Bezug auf Genauigkeit und Interpretierbarkeit, insbesondere bei komplexen oder nicht-standardisierten Systemen.

4. Ergebnisse

Die Leistung von SciExplorer wurde an einem breiten Spektrum physikalischer Modelle getestet:

• Mechanische Systeme:
  • Der Agent konnte Bewegungsgleichungen für gedämpfte Pendel, gekoppelte Oszillatoren und Teilchen in 2D-Potenzialen korrekt ableiten.
  • Er erreichte in vielen Fällen perfekte Anpassungen ($R^2 \approx 1$).
  • Auch bei Systemen mit versteckten Freiheitsgraden (nur ein Teil des Systems ist beobachtbar) gelang es dem Agenten oft, die Dynamik der sichtbaren Teile korrekt zu modellieren.
• Wellen und Felder:
  • Der Agent entdeckte komplexe partielle Differentialgleichungen, wie die nichtlineare Schrödinger-Gleichung (NLSE) und die komplexe Ginzburg-Landau-Gleichung (CGLE), einschließlich externer Potenziale und nichtlinearer Terme.
  • Er konnte qualitative Merkmale wie Solitonen, Dispersion und Dämpfung identifizieren.
• Quanten-Vielteilchenphysik:
  • Der Agent konnte Hamilton-Operatoren für Spin-Systeme (z. B. Transversales Ising-Modell, Heisenberg-Modell, Cluster-Ising-Modell) aus Erwartungswerten oder zeitlicher Dynamik rekonstruieren.
  • Er identifizierte korrekt Symmetrien, Kopplungstypen (z. B. Heisenberg vs. XY) und externe Felder.
• Robustheit gegenüber Rauschen:
  • Der Agent konnte auch bei signifikantem Messrauschen (Gaußsches Rauschen bei klassischen Systemen, Shot-Noise bei Quantensystemen) in mindestens einem von sechs Versuchen pro System das korrekte Modell finden.
• Fehleranalyse:
  • Hauptfehlerquellen waren vorzeitige Festlegung auf falsche Modelle, das Übersehen qualitativer Hinweise in Plots (z. B. schnelle Oszillationen) und Fehler bei numerischen Parametern (Vorzeichen, Skalierungsfaktoren).
  • Der Agent zeigte jedoch eine bemerkenswerte Fähigkeit zur Selbstkritik und konnte oft die beste Lösung aus mehreren Versuchen auswählen.

5. Bedeutung und Ausblick

• Paradigmenwechsel: SciExplorer demonstriert, dass KI-Agenten in der Lage sind, den gesamten wissenschaftlichen Entdeckungszyklus (Hypothese -> Experiment -> Analyse -> Theorie) autonom zu durchlaufen, ohne dass der Mensch spezifische Algorithmen für das jeweilige Problem entwickeln muss.
• Anwendbarkeit: Da viele moderne physikalische Experimente (z. B. in der Quantensimulation oder bei kalten Atomen) bereits über Code-Schnittstellen gesteuert werden, ist SciExplorer direkt in realen Laborumgebungen einsetzbar.
• Skalierbarkeit: Der Ansatz ist nicht auf Physik beschränkt. Da LLMs auch Wissen in Chemie und Biologie besitzen, könnte dieses Framework auf andere wissenschaftliche Domänen übertragen werden, um z. B. biologische Netzwerke oder chemische Reaktionsdynamiken zu erkunden.
• Ressourcen: Die Rechenzeit pro Aufgabe (einige Minuten bis 1,5 Stunden) wird als effizienter eingeschätzt als die Zeit, die ein menschlicher Experte für eine solche offene Exploration benötigen würde, obwohl die Kosten für API-Nutzung (ca. 2 USD pro Exploration) höher sind als bei reinen ML-Algorithmen.

Fazit: Das Paper zeigt, dass die Kombination aus den heuristischen Fähigkeiten von LLMs und der Zuverlässigkeit von Code-Tools einen vielversprechenden Weg zur Automatisierung der wissenschaftlichen Entdeckung ebnet, der über die Grenzen traditioneller, auf spezifische Aufgaben zugeschnittener ML-Modelle hinausgeht.