Nuclear-physics-guided Gaussian Processes

Das Universum ist auf einem Fundament aus winzigen, interagierenden Teilchen aufgebaut, und um zu verstehen, wie sie sich verhalten, bedarf es mehr als nur des bloßen Beobachtens; es erfordert den Aufbau von Modellen, die vorhersagen können, was an Orten geschieht, die wir noch nicht sehen können. In der Kernphysik untersuchen Wissenschaftler die Kräfte, die Atomkerne zusammenhalten, sowie die Materie, die im Inneren von Sternen existiert. Diese Modelle sind essenziell, um alles zu erklären, von der Energie, die die Sonne antreibt, bis hin zu den schweren Elementen, die bei kosmischen Kollisionen geschmiedet werden. Die verfügbaren Daten zur Überprüfung dieser Modelle sind jedoch oft spärlich, verrauscht oder auf spezifische Bedingungen beschränkt. Wenn Wissenschaftler versuchen, die Lücken zwischen bekannten Datenpunkten zu füllen, stehen sie vor einer schwierigen Wahl: einem einfachen Schätzwert zu vertrauen oder sich auf ein komplexes mathematisches Werkzeug zu verlassen, das dazu neigt, das Rauschen zu überanpassen (Overfitting). Seit Jahrzehnten wird eine leistungsstarke statistische Methode namens Gauß-Prozess-Regression verwendet, um diese Vorhersagen zu treffen, wobei sie nicht nur eine beste Schätzung, sondern auch ein klares Maß für die Unsicherheit dieser Schätzung liefert. Traditionell sind diese Modelle „agnostisch“, was bedeutet, dass sie ohne Annahmen über die zugrunde liegende Physik starten und Muster rein aus den bereitgestellten Daten lernen. Dieser Ansatz kann jedoch Schwierigkeiten bereiten, wenn die Daten knapp sind, was oft zu wilden Vermutungen in unerforschten Regionen führt.

Ein Forscherteam aus Barcelona hat nun demonstriert, dass diese statistischen Werkzeuge weitaus besser funktionieren, wenn sie von den tatsächlichen Gesetzen der Physik geleitet werden. Indem sie bekannte theoretische Strukturen direkt in das mathematische Gerüst einbetten, zeigten sie, dass die Modelle signifikant genauer und zuverlässiger werden. Die Forscher wandten diesen neuen Ansatz auf drei unterschiedliche Herausforderungen in der Kernwissenschaft an: die Art und Weise, wie Protonen und Neutronen aneinander streuen, die präzise Masse von Atomkernen und das Verhalten dichter Materie in Sternen bei hohen Temperaturen. In jedem Fall übertrafen die physikgeleiteten Modelle die traditionellen, annahmenfreien Versionen. Sie sagten nicht nur die richtigen Zahlen voraus, sondern lieferten auch wesentlich engere, vertrauenswürdigere Schätzungen der Unsicherheit, insbesondere wenn versucht wurde, vorherzusagen, was weit jenseits des Bereichs existierender Daten geschieht. Dies deutet darauf hin, dass der effektivste Weg, künstliche Intelligenz in der Wissenschaft einzusetzen, nicht darin besteht, sie von Grund auf lernen zu lassen, sondern ihr zuerst die fundamentalen Regeln des Universums beizubringen, damit sie sich auf die subtilen Details konzentrieren kann.

Der erste Testfall betraf die Streuung von Nukleonen, den Teilchen, aus denen der Kern besteht. Wenn Protonen und Neutronen kollidieren, prallen sie je nach ihrer Energie in bestimmten Winkeln voneinander ab. Wissenschaftler haben diese Winkel für viele Energieniveaus gemessen, aber nicht für alle, und die Messungen sind mit experimentellen Fehlern behaftet. Die Forscher nutzten ihre Methode, um die fehlenden Winkel zwischen den gemessenen Punkten zu ergänzen. Sie verglichen ein Standardmodell, das nichts über die beteiligten Kräfte wusste, mit Modellen, die spezifische physikalische Theorien darüber einbezogen, wie diese Teilchen interagieren. Die Ergebnisse waren beeindruckend. Das Modell, das die bekannte Physik der langreichweitigen Kräfte – insbesondere den Austausch von Teilchen namens Pionen – beinhaltete, sagte die fehlenden Winkel mit weita 훨씬 größerer Präzision voraus als das Standardmodell. In einigen Fällen wurde der Fehler um den Faktor zehn oder sogar hundert reduziert. Das Standardmodell, dem es an dieser Führung mangelte, neigte dazu, zwischen den Datenpunkten wild zu oszillieren und einen gezackten sowie unrealistischen Pfad zu erzeugen. Das physikgeleitete Modell hingegen folgte dem glatten, erwarteten Trend der Natur und lieferte ein viel klareres Bild davon, wie sich diese Teilchen über das gesamte Energiespektrum hinweg verhalten.

Als Nächstes wandte sich das Team der Masse von Atomkernen zu. Die Masse eines Atoms ist eine fundamentale Eigenschaft, die bestimmt, wie es in Sternen und in Kernreaktionen reagiert. Während Wissenschaftler die Massen von Tausenden von Atomen gemessen haben, gibt es viele weitere, die zu instabil oder zu selten sind, um in einem Labor gemessen werden zu können. Die Vorhersage dieser Massen ist entscheidend für das Verständnis der Entstehung von Elementen im Kosmos. Die Forscher nutzten als Ausgangspunkt für ihr Modell eine klassische, bekannte Formel, die den allgemeinen Trend der Kernmasse basierend auf der Idee eines Flüssigkeitstropfens beschreibt. Dann ließen sie das statistische Werkzeug die kleinen, komplexen Abweichungen von diesem allgemeinen Trend erlernen, die aus der spezifischen Anordnung von Protonen und Neutronen resultieren. Als sie diesen Ansatz testeten, fanden sie heraus, dass das Modell die Massen bekannter, ungemessener Atome mit einer Genauigkeit von etwa 190 keV vorhersagen konnte, was eine sehr geringe Fehlermarge darstellt. Viel wichtiger war jedoch, dass das physikgeleitete Modell auch bei der Vorhersage der Massen extrem exotischer Atome, die noch nie gesehen wurden, zuverlässig blieb. Das Standardmodell hingegen, das annahmenfrei arbeitet, begann von der Realität abzuweichen, sobald es sich von den bekannten Daten entfernte, und scheiterte daran, die korrekten langfristigen Trends zu erfassen. Die Einbeziehung der grundlegenden physikalischen Formel fungierte als Sicherheitsnetz, das die Vorhersagen selbst unter extremsten Bedingungen in der Realität verankerte.

Die letzte und komplexeste Anwendung betraf die Zustandsgleichung dichter Materie, die beschreibt, wie sich Materie unter dem erdrückenden Druck verhält, der im Inneren von Neutronensternen herrscht. Dies ist ein dreidimensionales Problem, das Dichte, Temperatur und den Anteil von Protonen gegenüber Neutronen umfasst. Wissenschaftler benötigen diese Informationen, um zu verstehen, wie Sterne kollabieren und verschmelzen, aber die Berechnung für jede mögliche Bedingung ist rechenintensiv. Die Forscher bauten ein Modell, das als schneller Ersatz oder Emulator für diese schweren Berechnungen dient. Sie fanden heraus, dass sie, indem sie die bekannte Physik der Wechselwirkung von Hitze und Dichte in den Startpunkt des Modells kodierten, den Druck und die Entropie der Materie mit hoher Treue vorhersagen konnten. Eine entscheidende Erkenntnis ergab sich, als sie untersuchten, wie sich das Modell außerhalb des Trainingsdatenbereichs verhielt. Beim Standardmodell flachte der vorhergesagte Druck ab und wurde unrealistisch, sobald er die bekannten Datenpunkte verließ. Das physikgeleitete Modell hingegen stieg glatt weiter an und spiegelte korrekt wider, dass der Druck steigen muss, wenn die Dichte zunimmt. Dies liegt daran, dass das Modell auf einem Fundament aufgebaut wurde, das bereits wusste, dass der Druck mit der Dichte wachsen muss, während das Standardmodell kein solches Wissen besaß und einfach aufhörte zu raten.

Der Erfolg dieser Experimente unterstreicht einen grundlegenden Wandel in der Herangehensweise an das wissenschaftliche Modellieren. Die Forscher zeigten, dass der Schlüssel zu einer zuverlässigen Vorhersage nicht nur in mehr Daten oder komplexeren Algorithmen liegt, sondern in der Wahl der richtigen Ausgangsannahmen. Durch die Verwendung eines physikalischen Modells als Basis wird das statistische Werkzeug frei, sich auf die subtilen, komplexen Details zu konzentrieren, die das einfache Modell übersieht. Dieser Ansatz erwies sich in jedem Test als überlegen und bot eine bessere Genauigkeit und – was vielleicht noch wichtiger ist – eine ehrlichere Einschätzung der Unsicherheit. Wenn das Modell sicher ist, zeigt es einen engen Bereich an Möglichkeiten; wenn es unsicher ist, weitet sich der Bereich natürlich aus. Dies ist entscheidend für Wissenschaftler, die nicht nur wissen müssen, was die Antwort ist, sondern auch, wie sehr sie dieser vertrauen können. Die Arbeit legt nahe, dass die Zukunft des wissenschaftlichen Rechnens in einer Partnerschaft zwischen menschlicher Intuition und maschinellem Lernen liegt, bei der die Maschine nicht blind umherwandern darf, sondern eine Karte des bekannten Territoriums erhält, um sie bei der Erkundung des Unbekannten zu leiten.