Stellen Sie sich vor, Sie sind ein Architekt, aber statt Häuser entwerfen Sie winzige, unsichtbare Maschinen, sogenannte analoge Schaltkreise. Sie sind die unbesungenen Helden in Ihrem Telefon, Ihrem Auto und Ihrem Laptop und regeln Dinge wie die Umwandlung von Batteriestrom in die richtige Spannung für einen Bildschirm oder die Bereinigung eines verrauschten Radiosignals. Seit Jahrzehnten ist der Bau dieser Schaltkreise eine langsame, manuelle Kunstform. Ein menschlicher Experte muss einen Entwurf skizzieren, eine Computersimulation durchführen, um zu sehen, ob er funktioniert, feststellen, dass er fehlerhaft ist, ihn löschen und von vorn beginnen. Dieser Zyklus wiederholt sich hunderte Male für einen einzigen Entwurf. Es ist, als versuche man, eine bestimmte Nadel im Heuhaufen zu finden, indem man für jedes einzelne Stück Heu, das man aufhebt, eine neue Nadel baut, in der Hoffnung, dass eine von ihnen die richtige ist.

Kürzlich versuchten Wissenschaftler, Computern beizubringen, dieses Skizzieren mithilfe von „Sprachmodellen“ zu übernehmen – derselben Art von intelligenter KI, die Geschichten schreiben oder Fragen beantworten kann. Sie brachten diesen KIs bei, eine Reihe von Regeln zu lesen (wie „Ich brauche einen Schaltkreis, der die Spannung verdoppelt“) und sofort eine Zeichnung eines Schaltkreises auszugendieren. Aber es gab einen Haken: Diese KIs waren wie Schüler, die ein paar einfache Rezepte auswendig gelernt haben, aber Panik bekommen, wenn man sie bittet, ein komplexes Bankett zu kochen. Wenn der Schaltkreis etwas größer oder komplizierter wurde, würfelte die KI einfach ein zufälliges, fehlerhaftes Design aus. Sie wusste nicht, wie sie über ihre Fehler „nachdenken“ oder es erneut versuchen sollte. Es war ein „One-Shot“-Versuch: Einmal raten, und wenn man scheitert, hat man versagt.

Hier setzt ein neues Paper mit dem Titel EXPLORE an. Die Forscher, ein Team von der Duke University und IBM, erkannten, dass man der KI, anstatt sie zu zwingen, beim ersten Versuch richtig zu liegen, lieber erlauben sollte, laut zu „denken“ und verschiedene Optionen zu erkunden, bevor sie sich auf ein endgültiges Design festlegt. Sie entwickelten ein System, das die Kreativität der KI mit einem rigorosen Suchprozess kombiniert – ähnlich wie ein Detektiv, der nicht einfach nur den Täter rät, sondern jeden Hinweis prüft, jeder Spur folgt und den Verdächtigen erst dann verhaftet, wenn die Beweise erdrückend sind.

Das Problem: Die „One-Shot“-Falle

Um zu verstehen, warum EXPLORE besonders ist, stellen Sie sich vor, Sie spielen ein Spiel namens „Zeichnung erraten“. Sie müssen das Bild einer Katze zeichnen, dürfen aber nur einen einzigen Strich mit dem Stift machen. Wenn Sie die Ohren vermasseln, ist die ganze Katze ruiniert. So funktionierten die alten KI-Methoden. Sie sahen sich Ihre Anfrage an und zeichneten sofort einen vollständigen Schaltkreis. Wenn der Schaltkreis nicht funktionierte, hatte die KI keine Möglichkeit, ihn zu korrigieren; sie musste einfach wieder von vorne beginnen.

Das Problem verschlimmert sich, wenn der Schaltkreis größer wird. Das Paper erklärt, dass sich die Anzahl der möglichen Verbindungen explodiert, sobald man mehr Teile (wie Kondensatoren, Induktoren und Schalter) zu einem Schaltkreis hinzufügt. Es ist, als versuche man, ein Puzzle zu lösen, bei dem sich die Anzahl der Teile jedes Mal verdoppelt, wenn man ein weiteres Teil hinzufügt. Für einen einfachen Schaltkreis mit 3 oder 4 Teilen konnte die KI die richtige Antwort leicht erraten. Aber für einen Schaltkreis mit 6 Teilen ist die Anzahl der falschen Vermutungen so gewaltig, dass die KI die Orientierung verliert. Die alten Methoden versuchten dies durch „Brute-Force“ zu lösen, indem sie tausende zufällige Vermutungen generierten und hofften, dass eine davon funktionierte, was jedoch unglaublich langsam und ineffizient war.

Die Lösung: Eine geführte Suche

Das EXPLORE-Framework ändert das Spiel durch die Einführung einer „geführten Suche“. Anstatt dass die KI einfach nur eine endgültige Antwort ausspuckt, agiert sie wie ein Bergsteiger, der einen Berg erklimmt. Der Kletterer (die KI) hat eine Karte (ihre Trainingsdaten), die ihm sagt, wohin der Pfad wahrscheinlich führt. Aber der Berg ist steil und neblig, also läuft der Kletterer nicht einfach blindlings los.

So funktioniert EXPLORE Schritt für Schritt:

1. Die Karte (Das Sprachmodell): Die KI beginnt mit einer „Karte“, die sie durch das Betrachten von tausenden bestehenden Schaltkreisen gelernt hat. Diese Karte gibt ihr eine gute Ahnung darüber, wie ein gültiger Schaltkreis aussieht.
2. Die verzweigten Pfade (Monte Carlo Tree Search): Wenn die KI eine Entscheidung treffen muss (wie „Soll ich dieses Kabel hier oder dort anschließen?“), entscheidet sie sich nicht einfach für eines. Sie stellt sich mehrere verschiedene Pfade nach vorne vor. Dies wird als „Baumsuche“ bezeichnet. Es ist, als stünde man an einer Weggabelung und stelle sich vor, man liefe beide Wege entlang, um zu sehen, welcher Weg zu einer besseren Aussicht führt.
3. Der Realitätscheck (Der Simulator): Für jeden Pfad, den die KI sich vorstellt, führt sie einen schnellen „Test“ mit einem Schaltkreis-Simulator durch. Dies ist der Moment der Wahrheit. Der Simulator sagt: „Hey, wenn du es so anschließt, ist die Spannung falsch“ oder „Gute Arbeit, dieser Teil funktioniert!“.
4. Das intelligente Überspringen (P-Filtering): Dies ist ein kluger Trick, den die Forscher erfunden haben. In der Sprache, die die KI zur Beschreibung von Schaltkreisen verwendet, sind etwa die Hälfte der Wörter bloße „Grammatik“-Wörter – wie „der“, „die“, „das“ oder „und“ –, die das Design eigentlich gar nicht verändern. Sie sind nur da, damit der Satz korrekt aussieht. Das EXPLORE-System erkennt, dass es keine Zeit verschwenden muss, diese Wörter zu testen, wenn die KI sich zu 99 % sicher über eines dieser Grammatik-Wörter ist. Es akzeptiert sie einfach automatisch und spart seine Energie für die echten Entscheidungen. Das ist wie ein Koch, der nicht erst den Salzstreuer probieren muss, bevor er Salz hinzufügt; er weiß einfach, dass er es hinzufügen muss, und spart seine Zeit für das Abschmecken der Suppe selbst.

Was sie herausfanden

Das Team testete diese neue Methode an Schaltkreisen mit 6 Komponenten, was ein idealer Punkt ist, an dem die alten Methoden anfangen zu kämpen. Sie setzten ein sehr strenges Ziel: Der Schaltkreis musste innerhalb einer winzigen Fehlertoleranz (0,01) perfekt sein.

• Der alte Weg: Wenn die KI versuchte, den Schaltkreis in einem Zug zu erraten (die „Greedy“-Methode), gelang ihr dies nur in 12 % der Fälle. Selbst wenn sie eine Methode verwendeten, die viele Zufallsvarianten generierte und die beste auswählte („Sampling and Filter“), erreichten sie nur 33 %.
• Der EXPLORE-Weg: Mit ihrer geführten Suche sprang die Erfolgsquote auf 65 %. Das ist mehr als doppelt so viel Erfolg wie die beste bisherige Methode.

Aber es ging nicht nur darum, öfter zu gewinnen; es ging darum, klüger zu sein. Das Paper stellt fest, dass die Fehler (gemessen an einem Wert namens „Mean Squared Error“) mit EXPLORE mehr als 20 Mal kleiner waren als bei der Zufallsvermutungsmethode. Das bedeutet, dass die Schaltkreise, die es tatsächlich fand, dem perfekten Ziel viel näher kamen.

Die Forscher untersuchten auch noch größere Herausforderungen: Schaltkreise mit 7, 8 und 9 Komponenten. In diesen komplexen Szenarien gaben die alten Methoden praktisch auf, wobei die Erfolgsraten auf nahezu Null sanken. EXPLORE hingegen arbeitete weiter. Obwohl es nicht jedes einzelne Problem perfekt löste, war es die einzige Methode, die in diesen schwierigen, unkartierten Gebieten überhaupt noch funktionierende Designs finden konnte.

Warum es wichtig ist

Das Paper legt nahe, dass dieser Ansatz ein bedeutender Schritt nach vorn ist, weil er die KI lehrt, zu „denken“, bevor sie handelt. Anstatt sich auf eine massive Datenbank jedes möglichen Schaltkreises zu verlassen (was unmöglich zu sammeln wäre), nutzt EXPLORE die Intuition der KI, um eine intelligente Suche zu leiten und ihre Arbeit laufend zu überprüfen.

Die Autoren weisen vorsichtig darauf hin, dass dies zwar eine enorme Verbesserung ist, aber kein Zauberstab, der alles sofort löst. Die Erfolgsraten für die sehr größten Schaltkreise (10 Komponenten) waren immer noch bescheiden, und das System benötigt viel Rechenleistung, um die Simulationen durchzuführen. Doch indem sie bewiesen haben, dass ein „suchen-gestützter“ Ansatz besser funktioniert als eine „One-Shot“-Vermutung, haben sie eine neue Tür geöffnet. Es deutet darauf hin, dass die Zukunft des Schaltkreisdesigns nicht nur aus klügeren KI-Modellen bestehen wird, sondern aus klügeren Wegen, wie diese Modelle ihre Ideen explorieren, testen und verfeinern können, bevor sie jemals einen einzigen physischen Chip bauen.

Kurz gesagt: EXPLORE ist wie das Geben eines Kompasses und einer Karte an den Schaltkreis-Designer, anstatt ihn einfach blind zu machen und zu hoffen, dass er auf den Schatz stößt. Es verwandelt ein reines Glücksspiel in ein Strategiespiel.