Wenn die Messdaten Lücken haben: Wie physikbasierte KI zuverlässige Ergebnisse liefern soll
Eine Promotion an der Universität Jena verbindet physikalisches Wissen mit maschinellem Lernen. Hinter der Fachmeldung steckt ein Ansatz, der ein Grundproblem vieler KI-Systeme angeht: Was tun, wenn die Daten unvollständig sind?
Künstliche Intelligenz lernt aus Daten – das ist ihre Stärke und zugleich ihre Achillesferse. Denn wo Daten fehlen, verrauscht oder schlicht zu wenige sind, gerät der übliche Lernprozess ins Wanken. Ein Modell, das nur Muster in Beispielen sucht, hat keinen Begriff davon, was physikalisch überhaupt möglich ist. Es kann Werte liefern, die zwar zu den Trainingsdaten passen, aber jeder Naturgesetzmäßigkeit widersprechen. Genau an dieser Stelle setzt ein Forschungsfeld an, das in den vergangenen Jahren spürbar an Bedeutung gewonnen hat: die physikbasierte oder „physik-informierte" künstliche Intelligenz.
Ein Promotionsprojekt als Aufhänger
Anlass für diese Einordnung ist eine erfolgreiche Promotion an der Friedrich-Schiller-Universität Jena. Laut einer Meldung des Informationsdienstes Wissenschaft hat der Nachwuchsforscher Alexander Kabardiadi-Virkovski dort einen Ansatz entwickelt, der physikalisches Vorwissen gezielt mit Methoden des maschinellen Lernens verbindet – mit dem Ziel, auch bei unvollständigen Messdaten belastbare Ergebnisse zu erhalten. Das Thema mag technisch klingen, doch die dahinterstehende Frage ist grundsätzlich: Wie lässt sich verhindern, dass ein KI-Modell aus dünner Datenlage falsche Schlüsse zieht?
Was „physik-informiert" bedeutet
Die Grundidee ist so einfach wie folgenreich. Statt einem neuronalen Netz allein Beispiele vorzulegen und es die Zusammenhänge selbst herausdestillieren zu lassen, gibt man ihm zusätzlich bekannte physikalische Gesetze mit auf den Weg. In der Fachsprache spricht man von „Physics-Informed Neural Networks", kurz PINNs. Solche Netze werden so trainiert, dass sie nicht nur die Messwerte möglichst gut treffen, sondern gleichzeitig grundlegende Gleichungen einhalten müssen – etwa Erhaltungssätze für Energie oder Masse oder die Differentialgleichungen, die ein Strömungs- oder Wärmeprozess beschreibt.
Der Effekt: Das Modell hat einen zusätzlichen Kompass. Wo Daten fehlen, füllt es die Lücken nicht willkürlich, sondern innerhalb dessen, was die Physik zulässt. Fachpublikationen beschreiben diesen Zweig des maschinellen Lernens als Versuch, physikalisch sinnvolle Lösungen auch dort zu finden, wo die Datenmenge klein, die Messungen verrauscht oder unvollständig sind.
Wo der Ansatz nützlich ist
Der Bedarf ist real. In vielen technischen und naturwissenschaftlichen Anwendungen sind Messdaten teuer, lückenhaft oder nur an wenigen Punkten verfügbar. Sensoren decken oft nur einen Ausschnitt ab, manche Größen lassen sich gar nicht direkt messen. Anwendungsfelder, die in der Forschungsliteratur immer wieder genannt werden, reichen von der Strömungsmechanik über die Zustandsüberwachung von Maschinen bis zur Rekonstruktion von Feldern aus einzelnen, verrauschten Messpunkten. Der gemeinsame Nenner: Man weiß etwas über die zugrundeliegende Physik – und dieses Wissen soll nicht ungenutzt bleiben, nur weil die Daten knapp sind.
Kein Allheilmittel
Bei aller Attraktivität lohnt der nüchterne Blick. Physik-informierte Modelle sind kein Selbstläufer. Sie funktionieren nur, wenn die zugrundeliegenden Gleichungen tatsächlich bekannt und korrekt sind – bei komplexen oder schlecht verstandenen Systemen ist genau das die Hürde. Das Training solcher Netze gilt zudem als anspruchsvoll, weil zwei Ziele gegeneinander austariert werden müssen: die Treue zu den Daten und die Treue zu den physikalischen Nebenbedingungen. Geraten beide in Konflikt, kann das Ergebnis schlechter ausfallen als bei einem klassischen Modell. Der Ansatz ist also weniger ein Ersatz für Daten als eine Methode, das vorhandene Wissen effizienter zu nutzen.
Ein Trend mit Bodenhaftung
Dass ein einzelnes Promotionsprojekt in Jena hier einreiht, ist kein Zufall, sondern Teil einer breiteren Bewegung: Die Verbindung von datengetriebenem Lernen und physikalischem Modellwissen gehört zu den aktiveren Forschungsrichtungen der angewandten KI. Sie verspricht keine spektakulären Durchbrüche im Stil der großen Sprachmodelle, sondern etwas Unauffälligeres – Modelle, die auch dann verlässlich bleiben, wenn die Datengrundlage bröckelt. Gerade in Ingenieurwesen und Naturwissenschaften, wo ein plausibel klingender, aber physikalisch unmöglicher Wert teuer werden kann, ist das ein Fortschritt mit praktischem Wert.
Dieser Beitrag ist eine redaktionelle Einordnung eines aktuellen Forschungsthemas und keine Bewertung einzelner Produkte oder Anbieter.