Auf dem Weg zu einer künstlichen Muse für neue Ideen in der Physik

Künstliche Intelligenz (KI) ist ein potenziell disruptives Werkzeug für die Physik und die Wissenschaft im Allgemeinen. Eine entscheidende Frage ist, wie diese Technologie auf konzeptioneller Ebene dazu beitragen kann, neue wissenschaftliche Erkenntnisse zu gewinnen oder neue überraschende Ideen zu inspirieren. Ich werde darüber sprechen, wie KI als künstliche Muse in der Physik eingesetzt werden kann, die überraschende und unkonventionelle Ideen und Techniken vorschlägt, die der menschliche Wissenschaftler in vollem Umfang interpretieren, verstehen und verallgemeinern kann [1]. Ich werde mich auf KI für die Gestaltung neuer physikalischer Experimente im Bereich der Quantenoptik [2, 3] und quantenverstärkter Gravitationswellendetektoren [4] sowie der Superauflösungsmikroskopie [5] konzentrieren. Abschließend werde ich diskutieren, wie Algorithmen mit Zugriff auf Millionen wissenschaftlicher Arbeiten zukünftige Ideen für Wissenschaftler vorhersagen und vorschlagen können [6, 7].

Referenzen
[1] Krenn, M., Pollice, R., Guo, S.Y., Aldeghi, M., Cervera-Lierta, A., Friederich, P., Gomes, G.d.P., H¨ase,
F., Jinich, A., Nigam, A. and Yao, K., Aspuru-Guzik, A., 2022. On scientific understanding with artificial
intelligence. Nature Reviews Physics, 4, pp.761–769.
[2] Krenn, M., Kottmann, J.S., Tischler, N. and Aspuru-Guzik, A., 2021. Conceptual understanding through
efficient automated design of quantum optical experiments. Physical Review X, 11(3), p.031044.
[3] Ruiz-Gonzalez, C., Arlt, S., Petermann, J., Sayyad, S., Jaouni, T., Karimi, E., Tischler, N., Gu, X.,
Krenn, M., 2023. Digital Discovery of 100 diverse Quantum Experiments with PyTheus. Quantum, 7,
p.1204.
[4] Krenn, M., Drori, Y., Adhikari, R.X., 2025. Digital Discovery of interferometric Gravitational Wave
Detectors. Physical Review X (in press), arXiv:2312.04258. https://arxiv.org/abs/2312.04258
[5] Rodr´ıguez, C., Arlt, S., M¨ockl, L., Krenn, M., 2024. Automated discovery of experimental designs in
super-resolution microscopy with XLuminA. Nature Communications, 15, p.10658.
[6] Krenn, M., Buffoni, L., Coutinho, B., Eppel, S., Foster, J.G., Gritsevskiy, A., Lee, H., Lu, Y., Moutinho,
J.P., Sanjabi, N., Sonthalia, R., Tran, N.M., Valente, F., Xie, Y., Yu, R., Kopp, M., 2023. Forecasting the
future of artificial intelligence with machine learning-based link prediction in an exponentially growing
knowledge network. Nature Machine Intelligence, 5, p.1326.
[7] Gu, X., Krenn, M., 2024. Interesting Scientific Idea Generation Using Knowledge Graphs and LLMs:
Evaluations with 100 Research Group Leaders. arXiv:2405.17044.

Vortragssprache: EN