Künstliche Intelligenz kann riesige Parameter-Räume möglicher Versuchsaufbauten durchsuchen und neue Konfigurationen identifizieren, die über das hinausgehen können, was allein durch menschliche Intuition entwickelt wird.

Das Design eines physikalischen Experiments bedeutet oft, aus einer enormen Zahl möglicher Kombinationen von Lasern, Filter, Detektoren, optischen Elementen und anderen Komponenten die richtige Konfiguration zu finden. Gemeinsam mit einem internationalen Forschungsteam argumentieren und zeigen wir, dass künstliche Intelligenz diesen großen Designraum systematisch erkunden und experimentelle Konzepte identifizieren kann, die Menschen möglicherweise nie in Betracht gezogen hätten. Anstatt sich dabei ausschließlich auf große Sprachmodelle zu stützen, wird das Design eines Experiments als Optimierungsproblem betrachtet, bei dem physikalische Simulationen genutzt werden, um mögliche Versuchsaufbauten zu bewerten und schrittweise zu verbessern. Besonders in neuen Forschungsfeldern wie der Quantenelektronenmikroskopie, in denen sich die experimentelle Intuition erst entwickelt, könnte KI zu einem leistungsfähigen Werkzeug werden, um völlig neue Messkonzepte zu entdecken.

TU Wien und derStandard, öffnet eine externe URL in einem neuen Fenster berichten über unsere Arbeit, die kürzlich in Nature veröffentlicht wurde.

J. Klimesch, S. Arlt, C. Ruiz-Gonzalez, C. Rodríguez, X. Gu, P. Haslinger, P. Vischia, C. Haack, Y. Drori, R. Adhikari, M. Arndt, M. Kagan, L. Heinrich, M. Krenn, Designing physics experiments with artificial intelligence, Nature (2026). DOI: 10.1038/s41586-026-10898-6
https://www.nature.com/articles/s41586-026-10898-6, öffnet eine externe URL in einem neuen Fenster