Wissenschaftliche Entdeckungen hängen inzwischen stark von künstlicher Intelligenz ab, um komplexe Daten aus unterschiedlichsten Bereichen zu interpretieren. Forschende verlassen sich auf Computer, um Gehirnscans, Materialexperimente und Umweltmessungen zu analysieren.
Probleme entstehen, wenn Informationen von verschiedenen Geräten oder unter unterschiedlichen Bedingungen kommen. Messwerte von Sensoren, Simulationen und Labortests unterscheiden sich häufig in Qualität und Detailgenauigkeit. Wie kann KI mit unübersichtlichen Daten umgehen, ohne an Präzision zu verlieren?
Wissenschaftlerinnen und Wissenschaftler der Penn State University in den USA glauben, eine mögliche Lösung gefunden zu haben. Ihr neues Framework – ZENN, kurz für Zentropy-Embedded Neural Networks – hilft Computern dabei, die Zuverlässigkeit von Daten einzuschätzen, bevor sie Vorhersagen treffen.
Eine neue Art, wie KI wissenschaftliche Daten liest
Ergebnisse, die in den Proceedings of the National Academy of Sciences veröffentlicht wurden, zeigen, wie die Thermodynamik das maschinelle Lernen unterstützen kann. Die Zentropy-Theorie verbindet Quantenmechanik, Statistik und Thermodynamik, um Unordnung in physikalischen Systemen zu erklären.
Klassische neuronale Netze nutzen oft Cross-Entropy-Loss, um Vorhersagefehler zu messen. Diese Methode funktioniert am besten mit klaren und konsistenten Trainingsdaten. ZENN trennt Informationen in bedeutsame Muster, sogenannte Energie, und Unsicherheit, genannt intrinsische Entropie.
Ein weiteres anpassbares Element – die sogenannte Temperatur – ermöglicht es dem System, präzise Simulationen mit verrauschten Experimenten zu vergleichen. Durch dieses Design können Modelle sich auf verlässliche Signale konzentrieren, ohne unvollkommene Messwerte zu ignorieren.
Tests haben gezeigt, dass das Framework genauso leistungsstark ist wie größere neuronale Netze. Forschende berichten außerdem, dass die Ergebnisse leichter nachvollziehbar und verständlicher werden als bei vielen bisherigen KI-Systemen. In einem Test untersuchten Wissenschaftlerinnen und Wissenschaftler eine eisenreiche Eisen-Platin-Legierung, die sich beim Erwärmen zusammenzieht. Mithilfe von ZENN konnten sie das Energieverhalten des Materials kartieren und den Grund für diese ungewöhnliche Reaktion erklären.
Mehr als Materialwissenschaft
Potenzielle Anwendungen gehen weit über die Materialwissenschaft hinaus – etwa in der Medizin oder Umweltforschung. Ärztinnen und Ärzte könnten mit einem einzigen Modell Gehirnscans, genetische Daten und Patientendokumente zusammenbringen, um Alzheimer besser zu untersuchen. Klimaforschende könnten fossile Pollendaten oder komplexe Bildgebungssysteme effektiver auswerten.
Auch Studien in der Quanteninformatik könnten profitieren, denn Unsicherheit ist ein Grundprinzip der Quantenwelt. Laut Entwicklerteam gibt es aber noch Herausforderungen, wenn das Framework mit sehr großen Datenmengen arbeitet. Ziel ist, dass Wissenschaftlerinnen und Wissenschaftler besser nachvollziehen können, warum bestimmte Ergebnisse entstehen.
