Schrödinger-Maschine - Neue Pfade zu physik-basierten neuronalen Netzwerken

Maschinelles Lernen ist eine treibende Kraft hinter den jüngsten gesellschaftlichen Umbrüchen, verursacht durch technologische Druchbrüche und eine einhergehende Welle von Automatisierung und Digitalisierung. Von Gesichtserkennung, über Erkundung neuer Materialien und Pharmazeutika, Empfehlungen, werden sogar autonom-fahrende Autos verheißen. Diese Ideen haben mittlerweile auch in der theoretischen und angewandten Physik Einzug gefunden, in der Hoffnung auf neue Ansätze für alte ungelöste Probleme. Im Zuge dessen hat sich ein disruptives, neues Forschungsfeld eröffnet, mit dem Ziel die Erfolge aus der Informatik auf Probleme in der Physik und den klassischen Ingenieurswissenschaften umzumünzen. Seit einer Pionierarbeit von Raissi, Perdikaris & Karniadakis im Jahr 2018/19 [siehe Referenzliste unten] zu physikalisch-informierten neuronalen Netzwerken gab es bis dato ungesehene tektonische Verschiebungen in der computergestützten Physik, wissenschaftlichem Rechnen und den Simulationswissenschaften allgemein. Dabei werden einer Lernmaschine, hier im Speziellen einem künstlichen neuronalen Netzwerk, während des Lernprozesses von Außen Informationen über physikalische Gesetzmäßigkeiten in der Form von Fehlersignalen bereit gestellt. Dieser Ansatz ist simpel und mächtig, leidet aber dennoch inhärent unter allfälligen Problemen wie sie aus der Informatik bereits bekannt sind, wie etwa dass diese Maschinen nur mit sehr großen Datenmengen erfolgreich trainiert werden können. Diese Probleme kommen vor Allem daher, dass das physikalische Wissen lediglich als Zusatzinformation angeboten wird - also auch erlernt wird, nicht aber direkt und fest in der Lernmaschine verankert ist. Die Realität der/des Naturwissenschaftlerin/Naturwissenschaftlers sieht jedoch gänzlich anders aus: In den meisten Fällen sind nur wenige Daten verfügbar, gemessen an der Komplexität der lernenden Maschine und damit einhergehend benötigten Datenmengen. Das typische Szenario in den Naturwissenschaften dreht sich daher um "Smart Data" und nicht um "Big Data". In diesem Projekt soll ein radikal neuer Ansatz verfolgt werden, mit dem physikalische Gesetze direkt in die innere Struktur von lernenden Maschinen integriert werden können. Der Ansatz entspringt dabei einer neuen Perspektive auf physik-basiertes maschinelles Lernen durch die Linse der Wahrscheinlichkeitstheorie und sogenannten stochastischen Prozessen. Eine derart auf Basis physikalischer Gesetzmäßigkeiten konstruierte Maschine unterscheidet sich in ihrer Komplexität wesentlich von den von Außen physikalisch lediglich informierten Maschinen, und verspricht Präzision und Rechengeschwindigkeiten die den Stand der Forschung um ein Vielfaches übertreffen. Der Gegensatz von physikalisch-informiert zu physikalisch-konstruiert ist vergleichbar mit schwachen Nebenbedinungen vs. starken Nebenbedingungen in der Optimierung (d.h. physikalische Gesetze werden näherungsweise vs. exakt erfüllt). Demonstriert werden soll das neue Konzept anhand der Grundgleichung der Quantenmechanik; der Schrödinger-Gleichung. Das Ziel dieses Projektes ist es, die so getaufte Schrödinger-Maschine zu realisieren und zu demonstrieren. Darauf aufbauend könnte mittels z.B. EU-Förderungen ein neues Forschungsfeld in der Steiermark etabliert werden.