(C) unter Verwendung eines Motivs von Andrei Suslov / 123RF.com
Das deutsche Bundesministerium für Forschung, Raumfahrt und Technologie (BMFTR) fördert das Projekt AALearning, das maschinelles Lernen in physikalischen Anwendungen besser, sicherer und nachvollziehbarer machen will.
Maschinelles Lernen ist in Bereichen wie Teilchenphysik, Astroteilchenphysik und Gravitationswellenforschung zu einem unverzichtbaren Werkzeug von Physikern geworden. Gleichzeitig bringt die zunehmende Abhängigkeit von KI grundlegende methodische Herausforderungen mit sich. Die Empfindlichkeit gegenüber Modellannahmen, die begrenzte Robustheit gegenüber systematischen Unsicherheiten und die unzureichende Interpretierbarkeit können sich direkt auf die Zuverlässigkeit und Reproduzierbarkeit wissenschaftlicher Analysen auswirken.
Dem will das Projekt AALearning begegnen, an dem sich die Rheinische Friedrich-Wilhelms-Universität Bonn, das Lamarr Institute der Uni Bonn, das Bonn-Aachen International Center for Information Technology und die RWTH Aachen beteiligen. Assoziiert sind außerdem die scieneers GmbH und Fraunhofer IAIS.
AALearningwill die Herausforderungen bewältigen, indem es physikalisch konservierende adversariale Lernmethoden entwickelt, die physikalische Gesetze, Detektoreffekte und experimentelle Unsicherheiten explizit in den Trainingsprozess einbezieht. Parallel dazu treibt das Projekt unsicherheitsbewusste KI-Techniken voran, darunter simulationsbasierte Inferenz, um strukturierte und interpretierbare Unsicherheitsschätzungen zu liefern, die direkt in physikalischen Messungen verwendet werden können.
Ein weiterer Schwerpunkt des Projekts ist die Sicherheit und Zuverlässigkeit generativer KI-Modelle für schnelle Simulationen. Obwohl solche Modelle in Bezug auf die benötigte Rechenzeit erhebliche Vorteile bieten, untersucht AALearning systematisch, unter welchen Bedingungen sie traditionelle, ressourcenintensive Simulationstechniken sicher ersetzen können, ohne die wissenschaftliche Validität zu beeinträchtigen.
Jenseits seiner physikalischen Kernanwendungen untersucht AALearning auch, ob und wie sich seine methodischen Erkenntnisse auf andere KI-Bereiche übertragen lassen. Insbesondere erforscht das Projekt, wie Konzepte wie zufallsbedingte Unsicherheit, Robustheit unter gegnerischen Störungen und sicherheitsorientierte Bewertung – ursprünglich für physikalische Analysen entwickelt – zur Minderung von Halluzinationen in großen Sprachmodellen beitragen können.
