Wissenschaftler der EPFL haben eine KI entwickelt, die komplexe Systeme simulieren kann und dabei die grundlegenden Gesetze der Physik beachtet. Das Geheimnis liegt in Newtons drittem Gesetz.
Künstliche Intelligenz mag zwar in vielen Bereichen Höchstleistungen vollbringen, aber sie hat immer noch Schwierigkeiten, die grundlegenden Gesetze der Physik zu befolgen. Wo ein Mensch intuitiv weiss, dass Objekte fallen, hüpfen oder Kräfte übertragen, wo er sein Wissen zwischen verschiedenen Objekten übertragen kann, stolpert die KI. Diese Klippe ist für Wissenschaftler und Ingenieure besonders ärgerlich: Ihre leistungsfähigsten Simulationsprogramme verirren sich, wenn sie versuchen, physikalische Grundprinzipien miteinander zu verknüpfen, um komplexe, sich im Laufe der Zeit verändernde Phänomene wie menschliche Bewegungen, Kollisionen von Partikeln, Zahnräder von Industriemaschinen oder Robotern vorherzusagen. Computer produzieren schliesslich physikalisch inkonsistente Vorhersagen über das Verhalten von Systemen, wenn die Zeit vergeht und sich die Fehler häufen. Umgekehrt halten sich herkömmliche Simulationsmodelle streng an die Regeln der Physik, benötigen aber Rechenzeit und Computerleistung, die mit zunehmender Anzahl von Objekten oder Interaktionen nur schwer aufrechtzuerhalten sind. Sie neigen sogar dazu, zu versagen, wenn es darum geht, völlig neue Situationen zu behandeln.
Wissenschaftler des Labors für intelligente Wartungs- und Betriebssysteme (IMOS) der EPFL haben einen neuen Algorithmus namens Dynami-CAL GraphNet entwickelt, der die KI dazu zwingt, sich ständig an die Gesetze der fundamentalen Physik zu halten.
Durch die Einbeziehung des dritten Newtonschen Gesetzes wird die KI von einem Algorithmus, der versucht, das physikalische Verhalten von Objekten auf der Grundlage von Statistiken zu erraten, zu einem System, das gebaut wird, um es zu respektieren
Vinay Sharma, Doktorand am IMOS-Laboratorium
Das dritte Newtonsche Gesetz in die Architektur der KI einschreiben
In der greifbaren Welt kommen wir nicht umhin, mit Newtons drittem Gesetz konfrontiert zu werden, das besagt, dass auf jede Aktion eine gleiche und entgegengesetzte Reaktion folgt. Wenn wir gehen, treibt uns der Aufprall auf den Boden nach vorne; wenn ein Gegenstand gegen eine Wand stösst, prallt er zurück oder eine Maschine reagiert, indem sie eine entgegengesetzte Kraft auf den Motor ausübt, den wir in Gang setzen. Diese Säule der Physik ist universell: Sie gilt für Sandkörner ebenso wie für den menschlichen Körper, Maschinen oder Moleküle. KIs vom Typ Graphical Neural Network, wie sie von den IMOS-Wissenschaftlern verwendet werden, ordnen Objekte virtuell Punkten zu und Beziehungen zwischen ihnen Kanten. Sie sind daher natürlich geeignet, um Systeme, die aus vielen interagierenden Elementen bestehen, effizient zu modellieren. Die Forscherinnen und Forscher haben das dritte Newtonsche Gesetz direkt in die Architektur der KI eingebaut und zwingen das System, sich entsprechend der Realität zu bewegen. Diese Programmierung hindert es daran, unrealistische oder inkohärente Kräfte zu erzeugen, auch angesichts neuartiger Situationen. "Dadurch wird die KI von einem Programm, das versucht, das physikalische Verhalten von Objekten auf der Grundlage von Statistiken zu erraten, zu einem System, das so konstruiert ist, dass es sich daran hält", fasst Vinay Sharma, Doktorand am IMOS-Labor, zusammen. "Dieser Ansatz ersetzt nicht die Gesamtheit der physikalischen Gleichungen, aber er reicht aus, um die Kohärenz der Interaktionen zu gewährleisten und stabile und glaubwürdige Simulationen zu produzieren".
Die meisten Modelle brechen nach wenigen Iterationen zusammen, während unser Modell mehr als 16.000 aufeinanderfolgende Schritte simulieren kann, ohne die Gesetze der Physik abzuleiten.
Olga Fink, Professorin am IMOS-Labor
Die Universalität des dritten Newtonschen Gesetzes macht es unabhängig von der Skala und der Art des Systems. "Das ist es, was dem Modell nicht nur erlaubt, zu verallgemeinern, also das Gelernte auf ähnliche Situationen anzuwenden, sondern auch zu extrapolieren, indem es zuverlässige Vorhersagen in völlig neuen Situationen produziert - was maschinelle Lernalgorithmen selten gut können", erklärt Olga Fink, Professorin am IMOS-Labor. Ob mehr Objekte, höhere Geschwindigkeiten, neuartige Konfigurationen oder andere Umgebungen - das Modell bleibt konsistent, wo andere versagen. "Die meisten weichen nach wenigen Iterationen ab, während Dynami-CAL GraphNet trotz mehr als 16.000 aufeinanderfolgender Schritte stabil bleibt, ohne von den Gesetzen der Physik abzuweichen."
Die Wissenschaftler haben ihre KI an ganz konkreten Situationen getestet: Sie simulieren zunächst Kollisionen zwischen Kugeln, wie in einem Silo oder einem industriellen Mischer, wo Dutzende, später Tausende von Partikeln aufeinanderprallen, herumrollen, abprallen und sich an den sich bewegenden Wänden reiben. Trainiert an nur vier Simulationen einfacher Systeme mit einigen Dutzend Partikeln in einer festen Box, gelingt es ihrer KI, die Bewegung von Tausenden von Partikeln in einem Mixer mit rotierenden zylindrischen Wänden vorherzusagen, wobei die Erhaltung der Bewegung und der Rotation über Tausende von Schritten eingehalten wird. Sie wurde auch an der menschlichen Bewegung getestet, indem sie den Gang einer Person anhand einfacher Bewegungserfassungsdaten vorhersagte, ohne explizit die vom Boden ausgeübten Kräfte zu kennen. "Wir haben unser Modell auf mikroskopischer Ebene evaluiert, um die Dynamik eines Proteins in einem Lösungsmittel zu verfolgen. Es ist in der Lage, seine subtilen Verformungen im Laufe der Zeit zu reproduzieren", stellt Vinay Sharma fest
Lernen aus sehr wenigen Informationen
Olga Fink sieht eine der beiden grossen Stärken ihres Modells in seiner Fähigkeit, aus sehr wenigen Informationen zu lernen und auf neue Konfigurationen, unter verschiedenen Bedingungen sowie auf grössere Systeme zu verallgemeinern. "Zum Beispiel kann es Dynamik lernen, indem es aus den Körperhaltungen eines gehenden Menschen einen Schritt im Voraus vorhersagt und dann die gesamte zukünftige Bewegungsbahn ableitet." Der zweite Punkt ist, dass diese stabileren und zuverlässigeren Simulationen klar und interpretierbar bleiben. Für die Nutzer von Simulationsprogrammen ist es wichtig zu verstehen, wie und wann die physikalischen Gesetze angewendet werden, um das Ergebnis kritisch hinterfragen zu können. Im Gegensatz zu einigen KI-Modellen, die als Blackboxen wahrgenommen werden, berechnet Dynami-CAL GraphNet in jedem Schritt Grössen, die für die Nutzer physikalisch interpretierbar sind: Kräfte, Drehmomente, Drehimpulsaustausch. alle Zwischengrössen sind mit der Physik konsistent", betont Olga Fink. Ein Ingenieur kann überprüfen, ob die Erhaltung von Impuls und Drehimpuls eingehalten wird. Es ist diese Konsistenz, die Vertrauen schafft, insbesondere bei sicherheitskritischen Systemen."
ReferenzenVinay Sharma & Olga Fink, A physics-informed graph neural network conserving linear and angular momentum for dynamical systems. Nature Communications, 15. Januar 2026. DOI: 10.1038/s41467-025-67802-5
