Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber Sie haben nur die Fußabdrücke, die zurückgelassen wurden, nicht aber die Schuhe, die sie gemacht haben. In der Welt der Physik und des Ingenieurwesens haben Wissenschaftler oft Berge von Daten – Momentaufnahmen dessen, wie Dinge sich bewegen, fließen oder im Laufe der Zeit verändern, wie etwa das wirbelnde Kielwasser hinter einem Boot oder die Art und Weise, wie sich Wärme durch einen Metallstab ausbreitet. Diese werden als „Trajektorien“ bezeichnet. Normalerweise müssen Wissenschaftler, um vorherzusagen, was als Nächsten passiert, die genauen „Spielregeln“ für jede spezifische Situation kennen: die Viskosität der Flüssigkeit, die Form des Objekts oder die Temperatur. Es ist, als müsste man das exakte Gewicht eines Schuhs kennen, um vorherzusagen, wie tief ein Fußabdruck sein wird. Aber in der realen Welt besitzen wir diese Etiketten oft nicht. Wir haben nur die unordentlichen Fußabdrücke. Diese Arbeit befasst sich mit der Herausforderung, die Spielregeln und die spezifischen Details des Schuhs gleichzeitig zu erlernen, indem man einfach nur auf die Fußabdrücke schaut.

Die Autoren, ein Team von MIT und der Zhejiang University, haben eine neue Methode namens „Neural Operator Discovery“ (NOD) entwickelt. Denken Sie an einen superintelligenten KI-Detektiv, der nicht nur Fußabdrücke auswendig lernt, sondern lernt, den Stil des Gehenden zu verstehen. Sie fanden heraus, dass ihr KI-Modell, indem es dazu gezwungen wurde, zwei verschiedene Gänge derselben Person (die jedoch von unterschiedlichen Startpunkten aus erfolgen) zu betrachten, den einzigartigen „Stil“ der Person (die verborgenen Regeln) herausfinden konnte, ohne jemals gesagt bekommen zu haben, wer die Person ist. Dies ermöglicht es der KI, zukünftige Bewegungen mit hoher Genauigkeit vorherzusagen, selbst für Menschen, die sie noch nie zuvor gesehen hat, und sogar unter extremen Bedingungen, in denen sich die Regeln drastisch ändern.

Der neue Trick des Detektivs

Normalerweise stoßen Wissenschaftler, wenn sie versuchen, ein Computermodell zu erstellen, um vorherzusagen, wie ein System (wie eine Flüssigkeit oder eine chemische Reaktion) reagieren wird, gegen eine Wand, wenn sie nicht über die „Bedienungsanleitung“ verfügen. Wenn sie vorhersagen wollen, wie Wasser um einen Zylinder fließt, müssen sie die Dicke (Viskosität) des Wassers kennen. Wenn sie diese Zahl nicht haben, ist das Modell blind.

Frühere Versuche, dies zu beheben, waren vergleichbar mit dem Versuch, die Schuhgröße durch das Betrachten eines einzelnen Fußabdrucks zu erraten. Einige Methoden versuchten, die gesamte Historie der Bewegung auswendig zu lernen (wie die Betrachtung der letzten 10 Schritte, um den nächsten zu erraten), aber dies führte oft dazu, dass das Modell verwirrt wurde und über die Zeit hinweg wilde Fehler machte. Andere versuchten, die Daten in einen verborgenen „Geheimcode“ zu komprimieren, aber dieser Code war oft ungeordnet und sagte uns tatsächlich nichts Nützliches über die Physik.

Das Team hinter dieser Arbeit, angeführt von Sili Deng und Kollegen, entschied sich für einen anderen Ansatz. Sie behandelten das Problem wie ein Spiel des „Unterschiede-Findens“ zwischen zwei Versionen derselben Geschichte.

Das „Zwei-Geschichten“-Trainingsspiel

So funktioniert ihre Methode, NODnet, unter Verwendung einer einfachen Analogie:

Stellen Sie sich vor, Sie haben eine Bibliothek mit tausenden Geschichten, die von verschiedenen Autoren geschrieben wurden. Sie wissen nicht, wer welche Geschichte geschrieben hat, und Sie haben auch nicht deren Namen. Sie haben lediglich den Text. Ihr Ziel ist es, eine Maschine zu bauen, die jede Geschichte vollenden kann, egal wer sie geschrieben hat, und sogar neue Geschichten für Autoren schreiben kann, die Sie noch nie getroffen haben.

Der Trick der Autoren bestand darin, zwei verschiedene Kapitel aus dem Buch desselben Autors zu nehmen.

1. Kapitel A wird verwendet, um die einzigartige „Stimme“ (den Stil, den Wortschatz und den Tonfall) des Autors zu erfassen.
2. Kapitel B wird verwendet, um zu testen, ob die Maschine vorhersagen kann, was als Nächstes passiert, wobei sie diese „Stimme“ als Leitfaden nutzt.

Entscheidend ist: Die Maschine wird angewiesen: „Diese zwei Kapitel stammen vom selben Autor, aber sie beginnen an unterschiedlichen Punkten der Handlung.“ Dies zwingt die Maschine, die spezifischen Handlungsdetails (wie „der Held war auf dem Schloss“) zu ignorieren und sich stattdessen nur auf den einzigartigen Stil des Autors (die „regierenden Faktoren“) zu konzentrieren.

In der realen Welt bedeutet dies, dass die KI einen kurzen Datenstoß eines Flüssigkeitsstroms betrachtet (die „Stimme“) und dieses nutzt, um die Zukunft eines anderen Datenstoßes aus demstelben Flüssigkeitsszenario vorherzusagen. Durch ständiges Wiederholen lernt die KI so, das Rauschen der spezifischen Ausgangsbedingungen abzustreifen und die reinen „Regeln“ zu isolieren, die das System bestimmen.

Die Magie der „verborgenen Dimension“

Einer der klügsten Teile dieser Entdeckung ist, wie die KI herausfindet, wie viele verborgene Regeln sie lernen muss.

Stellen Sie sich vor, Sie versuchen, den Gehstil einer Person zu beschreiben. Sie könnten tausend verschiedene Wörter verwenden, aber vielleicht brauchen Sie nur zwei: „Schrittlänge“ und „Tempo“. Wenn Sie zu viele Wörter verwenden, fangen Sie an, die Farbe ihrer Socken zu beschreiben (irrelevante Details). Wenn Sie zu wenige verwenden, können Sie keinen Sprinter von einem Spaziergänger unterscheiden.

Die Forscher bauten ein System, das automatisch verschiedene Zahlen von „verborgenen Wörtern“ (genannt latente Dimensionen) testet. Sie fanden heraus, dass die KI für die Burgers-Gleichung (ein Modell für Flüssigkeitsschocks) ganz natürlich bei 1 verborgener Dimension landete. Für das FitzHugh–Nagumo-System (ein Modell für Nervenimpulse) pendelte sie sich bei 2 ein. Dies stimmte perfekt mit der tatsächlichen Anzahl der physikalischen Variablen überein, die sich in diesen Systemen ändern (Viskosität beim ersten, zwei Parameter beim zweiten).

Dies deutet darauf hin, dass die KI nicht nur rät; sie entdeckt tatsächlich die wahre, minimale Anzahl an Regeln, die nötig sind, um die Welt zu beschreiben. Es ist, als würde die KI sagen: „Ich muss nicht die Farbe der Socken kennen; ich muss nur die Schrittlänge kennen.“

Was sie fanden (und was sie nicht fanden)

Das Team testete diese Idee an drei sehr unterschiedlichen physikalischen Systemen:

1. Burgers-Gleichung: Ein Modell für den Flüssigkeitsfluss, der scharfe, plötzliche Schocks erzeugen kann (wie ein Überschallknall). Sie testeten es mit verschiedenen Viskositäten, einschließlich eines Falls mit „Null-Viskosität“, in dem die Flüssigkeit vollkommen gleitfähig ist.
2. Zylinderströmungswake: Wie Luft oder Wasser hinter einem Zylinder wirbelt. Dies war ein schwieriger Test, da die Daten „spärlich“ waren (nur 16 Beispiele) und die Form unregelmäßig war.
3. FitzHugh–Nagumo-System: Ein Modell dafür, wie elektrische Signale durch Nerven wandern, was komplex und oszillierend verlaufen kann.

In allen drei Fällen übertraf das NODnet-Modell die alten Methoden.

• Langzeitprognose: Während andere Modelle nach einigen Schritten vom Kurs abweichen würden (wie ein GPS, das langsam das Signal verliert), blieb das NODnet-Modell viel länger genau. Im Burgers-Test beispielsweise hatten die alten „autoregressiven“ Modelle (die nur in die Vergangenheit schauen) nach 50 Schritten riesige Fehler, während NODnet die Ruhe bewahrte.
• Zero-Shot-Magie: Das Modell konnte sogar vorhersagen, was in einem System passieren würde, das es noch nie zuvor gesehen hatte. Im Nervenimpuls-Test trainierten sie die KI auf einen spezifischen Satz von Regeln und baten sie dann, einen völlig neuen Satz von Regeln vorherzusagen, mit dem sie zuvor nie konfrontiert worden war. Die KI rät nicht einfach; sie nutzt den gelernten „Stil“, um korrekt zu extrapolieren.
• Das „inviszide“ Limit: Im Flüssigkeitstest baten sie die KI vorherzusagen, was passiert, wenn die Flüssigkeit eine Viskosität von Null hat (ein Zustand, für den sie nicht explizit trainiert wurde). Die interne „Stimme“ der KI änderte sich glatt und kontinuierlich, um diesen extremen Fall zu handhaben, was zeigt, dass sie die Physik wirklich verstanden hat und nicht nur die Mathematik.

Die Grenzen des Detektivs

Die Autoren weisen vorsichtig darauf hin, dass dies eine simulationsbasierte Entdeckung ist. Sie haben dies noch nicht an realen, verrauschten Sensordaten aus einer Fabrik oder einem Fluss getestet. Sie merken auch an, dass ihre Methode am besten funktioniert, wenn die „Regeln“ sich glatt verändern. Wenn das System plötzlich von einer Art Verhalten zu einem völlig anderen springt (wie Wasser, das zu Eis wird), könnte die aktuelle Methode Schwierigkeiten haben.

Darüber hinaus fanden sie heraus, dass die Art und Weise, wie die KI „gelehrt“ wird, entscheidend ist. Wenn die KI immer nur einen Schritt nach dem anderen betrachtet (wie ein einzelnes Standbild eines Films), lernt sie die tiefen Regeln nicht. Sie muss das ganze Bild oder mehrere Schritte im Voraus sehen, um die „Stimme“ des Systems zu erfassen. Dies deutet darauf hin, dass wir, um die Gesetze der Natur aus Daten zu entdecken, das große Ganze betrachten müssen und nicht nur den unmittelbaren nächsten Schritt.

Warum das wichtig ist

Diese Arbeit legt einen neuen Weg der Wissenschaft nahe. Anstatt zu benötigen, dass ein Mensch jedes einzelne Experiment mit seinen Parametern beschriftet, könnten wir die KI die unordentlichen, unbeschrifteten Daten durchsieben lassen und die verborgenen Gesetze für uns finden lassen. Es ist ein Schritt in Richtung „selbstüberwachter“ Entdeckung, bei der Maschinen die Regeln des Universums lernen, indem sie einfach nur beobachten, wie es spielt.

Obwohl es kein Zauberstab ist, der heute jedes Physikproblem löst, bietet es einen vielversprechenden Pfad nach vorn. Es zeigt, dass wir selbst ohne Bedienungsanleitung, wenn wir genug verschiedene „Fußabdrücke“ betrachten und sie auf die richtige Weise vergleichen, in der Lage sind, die Zukunft komplexer Systeme vorherzusagen – vom Blutfluss in unseren Venen bis hin zu den Wetterlagen in unserer Atmosphäre. Die KI memoriert nicht nur; sie lernt, wie ein Physiker zu denken.