Im Labor ist der Weg zur Entdeckung oft ein langer, gewundener Pfad aus Versuch und Irrtum. Ein Physiker baut ein empfindliches Experiment auf, stellt einen Regler ein, wartet auf ein Signal und interpretiert dann das Ergebnis. Wenn das Signal schwach ist oder die Ausrüstung sich seltsam verhält, muss der Forscher entscheiden, ob er die Einstellungen anpasst, die Theorie ändert oder von vorne beginnt. Dieser Prozess beruht stark auf menschlicher Intuition, jahrelanger Ausbildung und der Fähigkeit zu erkennen, wenn etwas nicht stimmt. Aber was wäre, wenn ein Forscher einen unermüdlichen Partner hätte, der jedes Handbuch lesen, tausende Simulationen an einem Nachmittag durchführen und niemals ein winziges Detail übersehen könnte? Dies ist das Versprechen künstlicher Intelligenz in der Wissenschaft. Die Herausforderung besteht jedoch nicht nur darin, einer Maschine die Schlüssel zu einem Physiklabor zu geben, sondern sie nicht einfach nur darum zu bitten, ein Problem zu lösen. Computer können Fakten erfinden, sich in ihrer eigenen Logik verlieren oder gefährliche Handlungen vorschlagen, wenn sie nicht sorgfältig geführt werden. Die Herausforderung besteht nicht nur darin, eine intelligente Maschine zu bauen, sondern eine Maschine, die wie ein Wissenschaftler denkt: eine, die ehrlich über ihre Fehler ist, ihre eigene Arbeit überprüft und weiß, wann sie um Hilfe bitten muss.

Ein Team von Forschern der University of Maryland hat diese Herausforderung angenommen, indem es eine neue Art und Weise geschaffen hat, wie Menschen und künstliche Intelligenz zusammenarbeiten können. Sie haben nicht einfach einen Computer programmiert, um Code zu schreiben oder Simulationen durchzuführen; stattdessen haben sie eine strukturierte Umgebung namens PhysKit entwickelt, die darauf ausgelegt ist, ein großes Sprachmodell in einen kollaborativen Forschungsassistenten zu verwandeln. Betrachten Sie dieses System als eine Reihe strenger Regeln und hilfreicher Werkzeuge, die den Computer durch die wissenschaftliche Methode führen. Der Computer darf nicht raten; er muss einem schrittweisen Prozess folgen, bei dem er eine Idee vorschlägt, sie testet, die Ergebnisse auf Fehler prüft und sich dann an den menschlichen Forscher zurückmeldet. Der Mensch bleibt der Kapitän, der die Ziele festlegt und die endgültigen Entscheidungen trifft, während der Computer als leistungsstarker Motor fungiert, der Möglichkeiten weit schneller erforschen kann, als es ein Mensch allein könnte. Diese Partnerschaft ermöglicht es dem Team, „Closed-Loop“-Kampagnen durchzuführen, bei denen der Computer stundenlang oder sogar tagelang autonom arbeitet und Lösungen iterativ verfeinert, bis er die beste Antwort findet, während er gleichzeitig eine perfekte, organisierte Aufzeichnung über jeden einzelnen Schritt führt.

Das Team testete diesen Ansatz mit sechs verschiedenen Experimenten, die vom Design neuer Hardware bis hin zur Analyse komplexer Daten reichten. In einem Fall baten sie den Computer, ein neuronales Netz zu verbessern, eine Art von Software, die verwendet wird, um Bilder von elektrischen Strössen aus magnetischen Messungen zu rekonstruieren. Der Computer analysierte das bestehende Design, probierte tausende Variationen aus und entdeckte eine neue Architektur, die die Fehler um dreiunddreißig Prozent reduzierte. Er tat dies, indem er einen effizienteren Weg fand, die Daten zu verarbeiten, wobei er weniger Rechenressourcen nutzte und gleichzeitig klarere Ergebnisse lieferte. In einem anderen Experiment wollte das Team verstehen, wie sich ein spezifischer Defekt in einem zweidimensionalen Material namens hexagonalem Bornitrid verhält, wenn es mit Licht getroffen wird. Wissenschaftler hatten ein Standardmodell verwendet, um dieses Verhalten zu beschreiben, aber es entsprach den Daten nicht perfekt. Der Computer untersuchte die Daten und schlug ein neues, komplexeres Modell mit elf Energieniveaus statt der bisherigen sieben oder neun vor. Dieses neue Modell passte viel besser zu den experimentellen Daten und sagte, wie sich das Material unter verschiedenen Bedingungen verhalten würde, genauer als jeder bisherige Versuch.

Das System erwies sich auch in der physischen Welt als wertvoll, nicht nur in Simulationen. Die Forscher nutzten den Computer, um ein Mikrowellengerät zu entwerfen, das benötigt wird, um Quantensensoren zu steuern. Der Computer musste viele gegensätzliche Anforderungen in Einklang bringen, wie etwa die Erzeugung einer bestimmten Wellenart bei gleichzeitiger Einhaltung der Leistungsgrenzen ihrer Ausrüstung. Er lieferte ein Design, das bereit für den Bau war und alle ihre strengen experimentellen Beschränkungen erfüllte. In einem direkteren Test der Hardwaresteuerung half der Computer bei der Inbetriebnahme eines Kernspinresonanz-Spektrometers, eines Geräts zur Detektion magnetischer Felder. Ausgehend von einem unkalibrierten Zustand führte der Computer eine Reihe von Experimenten an der Live-Maschine durch, passte die Einstellungen an und analysierte die Ergebnisse, bis er eine Frequenzpräzision von etwa einem Hertz erreichte. Dies ist ein Genauigkeitsniveau, das normalerweise einen menschlichen Experten Tage kosten würde, aber der Computer erledigte es in etwas mehr als zwanzig Stunden. Schließlich nutzte das Team das System, um Daten aus einem künstlichen Spin-Eis-Array zu analysieren, einem Material, das aus winzigen magnetischen Inseln besteht. Der Computer rekonstruierte erfolgreich den magnetischen Zustand jeder einzelnen Insel im Array aus verschwommenen Bildern – eine Aufgabe, die mit dieser Art von Daten zuvor noch nie durchgeführt worden war.

Was diese Ergebnisse signifikant macht, ist nicht nur, dass der Computer Antworten fand, sondern wie er sie fand. Das System war darauf ausgelegt, ehrlich zu sein. Wenn eine vorgeschlagene Lösung auf dem Papier gut aussah, aber einem spezifischen Test nicht standhielt, lehnte der Computer sie ab. Er führte ein detailliertes Protokoll über jede Annahme, die er traf, und jeden Code, den er schrieb, um sicherzustellen, dass ein Mensch jederzeit nachvollziehen konnte, wie ein Ergebnis zustande kam. Die Forscher fanden heraus, dass der Computer besonders gut darin war, zu erkennen, wenn er sich auf dem falschen Weg befand. Zum Beispiel testete der Computer in der Materialstudie über hundert verschiedene Modellstrukturen. Er fand mehrere, die vielversprechend erschienen, verworf sie jedoch, weil sie zukünftige Daten nicht korrekt vorhersagten oder weil sie grundlegende physikalische Gesetze verletzten. Er wählte das endgültige Modell erst aus, nachdem es jeden Check bestanden hatte, einschließlich Tests, bei denen der Computer Daten vorhersagen musste, die er noch nie gesehen hatte. Dieser rigorose Ansatz verhinderte, dass das System in die Falle tappte, einfach die Daten auswendig zu lernen oder Zahlen zu erfinden, um erfolgreich auszusehen.

Der Erfolg dieser Experimente deutet auf eine neue Art des wissenschaftlichen Arbeitens hin. Anstatt menschliche Forscher zu ersetzen, fungiert diese Art von künstlicher Intelligenz als Kraftmultiplikator. Sie übernimmt die repetitive, zeitintensive Arbeit des Testens von Ideen und des Überprüfens von Berechnungen, wodurch der menschliche Wissenschaftler frei wird, sich auf das große Ganze und die schwierigen Urteilsentscheidungen zu konzentrieren. Der Computer kann Experimente durchführen, während der Forscher schläft, oder er kann eine riesige Landschaft an Möglichkeiten erkunden, die man von Hand nicht bewältigen könnte. Aber er funktioniert am besten, wenn es eine klare Partnerschaft gibt. Der Mensch setzt die Grenzen, definiert die Ziele und liefert den Kontext, den der Computer nicht von selbst kennen kann, wie etwa die spezifischen Eigenheiten eines Stück Ausrüstung oder die subtilen Beschränkungen eines physikalischen Systems. Der Computer wiederum bringt ein Maß an Konsistenz und Geschwindigkeit mit, das den Forschungsprozess transformiert.

Die Forscher betonen, dass dies kein vollautonomes System ist, das eigenständig wissenschaftliche Arbeiten schreibt oder Entdeckungen macht. Es ist ein Werkzeug, das einen Menschen im Prozess benötigt, um die Ergebnisse zu verifizieren und sicherzustellen, dass die Wissenschaft fundiert bleibt. Das System ist darauf ausgelegt, anpassungsfähig zu sein und aus jedem Projekt zu lernen, um sein eigenes Framework zu verbessern. Während das Team PhysKit weiterentwickelt, plant es, neue Fähigkeiten hinzuzufügen und den Prozess zu verfeinern, um ihn für eine breitere Palette von wissenschaftlichen Problemen noch effektiver zu machen. Das ultimative Ziel ist es, einen Standard dafür zu schaffen, wie Wissenschaftler mit künstlicher Intelligenz zusammenarbeiten, um sicherzustellen, dass die Technologie verantwortungsbewusst und effektiv eingesetzt wird. Durch die Kombination von menschlicher Expertise mit der Rechenleistung dieser Agenten hat das Team gezeigt, dass es möglich ist, die Entdeckung zu beschleunigen, ohne die Strenge und Ehrlichkeit zu opfern, die das Fundament der Wissenschaft bilden. Die Ergebnisse sind nicht nur schneller; sie sind besser, was zu neuen Modellen, besseren Geräten und einem tieferen Verständnis der physischen Welt führt.