KI in der Quantenphysik: Wenn Maschinen Lösungen finden, die niemand versteht

Foto: iggii auf Unsplash

Künstliche Intelligenz revolutioniert die Wissenschaft – doch was passiert, wenn KI Lösungen liefert, die wir nicht mehr verstehen? In der Quantenphysik ist dieser Fall bereits eingetreten. Der folgende Artikel zeigt, vor welcher Herausforderung Forscher und Unternehmen stehen und warum das Verständnis von KI-Ergebnissen zur Schlüsselkompetenz wird.

Die Entdeckung: Melvin und die hochdimensionale Verschränkung

Mario Krenn, heute Forscher am Max-Planck-Institut für die Physik des Lichts, stand während seiner Doktorarbeit vor einem Problem: Sein Team suchte nach einem Experiment, um ein Quantensystem mit drei Teilchen und drei Farben zu erzeugen. Wochenlang grübelten erfahrene Physiker – ohne Erfolg. Also programmierte Krenn einen Algorithmus namens Melvin, der alle verfügbaren Laborkomponenten virtuell kombinierte. Über Nacht fand Melvin eine Lösung, an der Menschen monatelang gescheitert waren. Vier Jahre später bauten Krenn und sein Kollege Manuel Erhard das Experiment nach – und es funktionierte.

Melvin entdeckte nicht nur neue Experimente, sondern lehrte die Forscher auch etwas: Das Programm fand eine Technik aus den 1990er Jahren, die in Vergessenheit geraten war, und adaptierte sie für die Erzeugung von Verschränkung. Die Wissenschaftler konnten diese Methode verstehen und verallgemeinern – heute wird sie weltweit eingesetzt.

PyTheus: Eine zweite, unbekannte Lösung für ein klassisches Problem

Im Jahr 2022 entwickelte das Team um Krenn den Nachfolger PyTheus. Als Test sollte PyTheus den Verschränkungsaustausch (entanglement swapping) wiederentdecken – eine Technik aus den 1990er Jahren. Doch die KI lieferte eine Lösung, die zunächst falsch erschien: Es fehlten notwendige Bausteine. Nach genauer Prüfung stellte sich heraus: PyTheus hatte eine völlig neue Methode gefunden, Teilchen zu verschränken, die nie miteinander gewechselwirkt hatten. Die Forschungsgruppe um Xiaosong Ma in Nanjing setzte diese Methode 2024 erfolgreich im Labor um.

Wenn KI Lösungen findet, die wir nicht verstehen

Die eigentliche Herausforderung zeigt sich in der Zusammenarbeit mit der LIGO-Kollaboration, die Gravitationswellen detektiert. Die Forscher fragten, ob sich die Detektoren verbessern ließen. Nach 1,5 Millionen CPU-Stunden schlug die KI Designs vor, die bestehende Lösungen deutlich übertreffen. Doch fast alle Lösungen enthielten Merkmale, die die Wissenschaftler nicht verstehen.

„Wir können zwar die Qualität der Lösung nachprüfen und einige Techniken wiedererkennen, aber uns fehlt vollkommen das Verständnis für das große Ganze.“ – Mario Krenn

Die Konsequenz: Ohne Verständnis der zugrunde liegenden physikalischen Prinzipien lassen sich diese neuen Eigenschaften weder sicher nutzen noch auf andere Probleme übertragen.

Die epistemische Herausforderung: Verstehen ohne Verständnis

Zum ersten Mal in der Wissenschaftsgeschichte liefert nichtmenschliche Intelligenz Ergebnisse, die wir überprüfen, aber nicht verstehen können. Das wirft fundamentale Fragen auf:

• Wie soll wissenschaftlicher Fortschritt aussehen, wenn wir Entdeckungen nicht mehr interpretieren können?
• Was bleibt von der Neugier, wenn Maschinen die Erkenntnisarbeit übernehmen?
• Wie können Unternehmen sicherstellen, dass KI-Lösungen nicht nur korrekt, sondern auch nachvollziehbar sind?

FAQ: Was bedeutet das für Unternehmen und Forschung?

Frage: Wie können Unternehmen sicherstellen, dass KI-Ergebnisse verstanden werden? Antwort: Es braucht neue Methoden der Interpretierbarkeit, etwa symbolische Regression oder Explainable AI (XAI). Zudem sollten Teams interdisziplinär arbeiten – Physiker, Informatiker und Philosophen gemeinsam.

Frage: Sind KI-Lösungen, die wir nicht verstehen, überhaupt vertrauenswürdig? Antwort: Sie können korrekt sein, aber ohne Verständnis bleibt ein Restrisiko. In sicherheitskritischen Bereichen (Medizin, Luftfahrt) ist Nachvollziehbarkeit unerlässlich.

Frage: Welche Rolle spielt die Wissenschaftskommunikation? Antwort: Sie muss neue Wege finden, komplexe KI-Entdeckungen verständlich zu machen – etwa durch Visualisierungen oder interaktive Modelle.

Fazit: Neue Formen des Verstehens entwickeln

Die Quantenphysik zeigt exemplarisch, wohin die Reise geht: KI wird immer mehr Entdeckungen liefern, die Menschen nicht intuitiv nachvollziehen können. Die Aufgabe der nächsten Jahre wird es sein, eine „Wissenschaft des Interpretierens“ zu entwickeln – Methoden, um die Ergebnisse fremder Intelligenzen zu verstehen und nutzbar zu machen. Für Unternehmen bedeutet das: Investieren Sie in Explainable AI und bauen Sie Kompetenzen auf, die über reine Datenanalyse hinausgehen. Nur wer die Logik hinter der KI versteht, kann ihre volle Kraft entfalten.

Quellen

• Arlt, S. et al., arXiv 10.48550/arXiv.2510.10707, 2025
• Erhard, M. et al., Nature Reviews Physics 10.1038/s42254–020–0193–5, 2019
• Krenn, M. et al., Physical Review Letters 10.1103/PhysRevLett.116.090405, 2016
• Ruiz-Gonzalez, C. et al., Quantum 10.22331/q-2023–12–12–1204, 2023
• Ruiz-Gonzalez, C. et al., arXiv 10.48550/arXiv.2511.19364, 2025
• Wang, K. et al., Physical Review Letters 10.1103/PhysRevLett.133.233601, 2024