Nature-Review: KI entwirft ganze Physikexperimente Nature-Review: KI entwirft ganze Physikexperimente

Eine Review, kein Modellstart

Am 2. September 2026 veröffentlichte Nature eine Review darüber, wie künstliche Intelligenz physikalische Experimente entwerfen kann. Vorgestellt wird weder ein neues KI-Modell noch ein frisch gebauter Apparat. Die Neuigkeit liegt in der systematischen Einordnung eines Feldes, das inzwischen über die Optimierung einzelner Stellgrößen hinausgeht. Die Nature-Review unterscheidet Parameter-Tuning und den Entwurf neuer Versuchsarchitekturen↗.

Der entscheidende Fortschritt betrifft damit nicht nur die Leistung eines Algorithmus. Er betrifft die Aufgabe, die ihm gestellt wird: Statt einen bekannten Aufbau zu verbessern, soll das System den Bauplan selbst durchsuchen.

Vom Stellrad zum Bauplan

Bei klassischer Optimierung bleibt die Architektur weitgehend fest. Ein Verfahren verändert etwa Abstände, Intensitäten oder Materialeigenschaften. Beim De-novo-Design darf es zusätzlich die Topologie variieren: welche Komponenten vorkommen, wie sie verbunden sind und in welcher Reihenfolge sie zusammenwirken.

Wie weit diese Suche reichen kann, zeigte 2025 eine Arbeit zu interferometrischen Gravitationswellendetektoren. Die Forschenden überführten die Suche nach optischen Topologien in ein kontinuierliches Optimierungsproblem. Das Verfahren fand unkonventionelle Konfigurationen, die eine optimierte Vergleichsversion des LIGO-Voyager-Designs unter den modellierten Bedingungen übertrafen. Die Studie in Physical Review X dokumentiert jedoch eine digitale Entdeckung↗ – kein bereits arbeitendes Observatorium.

Damit wird die Grenze sichtbar: Ein großer Suchraum kann neue Ideen hervorbringen. Ob die zugrunde liegende Simulation die physische Wirklichkeit ausreichend abbildet, entscheidet sich erst außerhalb des Optimierers.

Was einen Entwurf belastbar macht

Die Nature-Review bündelt das automatisierte Experimentdesign in vier Fragen. Gemeinsam beschreiben sie den eigentlichen Designkreislauf:

• Suchraum: Er muss ungewöhnliche Lösungen zulassen, ohne physikalisch unmögliche Konfigurationen zu bevorzugen.
• Simulator: Er muss schnell genug für viele Durchläufe und zuverlässig genug für sinnvolle Vergleiche sein.
• Zielfunktion: Sie übersetzt die wissenschaftliche Absicht in eine berechenbare Bewertung und bildet konkurrierende Anforderungen ab.
• Suchverfahren: Es muss Entscheidungen über Bauteile ebenso verarbeiten wie kontinuierliche Größen, etwa Abstände oder Intensitäten.

Keines dieser Elemente ist neutral. Eine unvollständige Zielfunktion kann einen formal überlegenen, praktisch aber unbrauchbaren Entwurf belohnen. Die entscheidende Prüfung liegt deshalb nicht beim Algorithmus allein, sondern in der verbundenen Kette aus Modellierung, Suche und Validierung.

Sprachmodelle sind nur ein Baustein

Ein Beispiel für eine andere Form des Experimentdesigns erschien am 19. Februar 2026 in Nature Machine Intelligence. Das Forschungsteam trainierte einen Transformer mit synthetischen Beispielen darauf, lesbaren Python-Code für ganze Familien quantenoptischer Versuchsaufbauten zu erzeugen. Die Meta-Design-Studie zielt auf wiederverwendbare Konstruktionsregeln statt isolierter Lösungen↗.

Ihr Wert liegt vor allem in der Interpretierbarkeit: Forschende können den erzeugten Code untersuchen und wiederkehrende Strukturen erkennen. Das ist ein anderer Fortschritt als ein leistungsfähigerer Optimierer – und noch kein Beleg dafür, dass Sprachmodelle selbstständig reale Experimente durchführen.

Die Simulation ist kein Labor

Ein rechnerisches Optimum muss Bauteiltoleranzen, Messrauschen, Drift, Kalibrierung und Bauaufwand überstehen. Die Review nennt entsprechend Zielkonflikte zwischen Rechenaufwand, experimenteller Machbarkeit, Interpretierbarkeit und Zuverlässigkeit. Es wäre allerdings ebenso falsch, das gesamte Feld als reine Simulation abzutun: Frühere algorithmisch entwickelte Quantenoptik-Aufbauten wurden tatsächlich realisiert.

Geändert hat sich der Gegenstand der maschinellen Suche. KI in der Physik kann heute nicht nur Einstellungen optimieren, sondern experimentelle Architekturen vorschlagen. Noch nicht gezeigt ist, dass rechnerische Gewinner über Fachgebiete hinweg zuverlässig baubar sind oder regelmäßig zu neuer, experimentell bestätigter Physik führen.