KI löst jahrelanges Physik-Rätsel

Mehr als zehn Jahre lang rätselten Nobelpreisträger Giorgio Parisi und sein Kollege Francesco Zamponi an einem scheinbar einfachen Problem: Zwei völlig unterschiedliche physikalische Ansätze lieferten immer wieder dieselben Ergebnisse – aber niemand wusste, warum. Die Forscher vermuteten eine tiefere Symmetrie oder eine unentdeckte mathematische Struktur. Doch die Lösung, die sie nun gefunden haben, ist überraschend simpel. „Die Antwort lag direkt vor uns, und wir hatten sie einfach nicht gesehen“, sagt Zamponi. Darauf gestoßen hat sie das KI-Sprachmodell Claude, entwickelt von der Firma Anthropic.

Parisi und Zamponi erforschen das Verhalten von amorphen Festkörpern – Materialien wie Glas, deren Teilchen nicht in einer regelmäßigen Struktur angeordnet sind wie bei Kristallen. Besonders interessiert sie das sogenannte Jamming: der Übergang von einer flüssigen Phase, in der sich die Teilchen noch bewegen können, zum starren Zustand. Man kann sich das wie ein Glas voller getrockneter Erbsen vorstellen, die festklemmen, wenn man sie zusammendrückt.

Den Übergang zur Jamming-Phase beschreiben zwei grundlegend verschiedene Modelle. Parisi und Zamponi nutzten einen „Mean-Field-Ansatz“, bei dem sie die Eigenschaften des Systems mitteln, statt jede Wechselwirkung einzeln zu verfolgen. Durch eine statistische Analyse vieler möglicher Konfigurationen leiteten sie sogenannte Exponenten ab – Zahlen, die beschreiben, wie häufig sehr kleine Abstände oder schwache Kontaktkräfte nahe am Übergang auftreten. Das Erstaunliche: Zwei dieser Exponenten summierten sich stets zur Zahl eins. Aus dieser Tatsache folgte eine Übereinstimmung mit einem völlig anderen theoretischen Ansatz.

Den hatte der Physiker Matthieu Wyart an der EPFL in Lausanne verfolgt. Gemeinsam mit seinem Team nahm er an, dass der Jamming-Übergang genau dann stattfindet, wenn es gerade genug Kontaktpunkte zwischen den Partikeln gibt, um jede Bewegung zu blockieren. Auf diese Weise ließ sich das Größenverhältnis von Lücken und Kontaktkräften bestimmen. Beide Ansätze lieferten dieselben Resultate, aber das folgte bislang nur aus numerischen Berechnungen. Die Fachleute wollten hingegen mathematisch präzise erklären, warum dem so ist.

Nach mehreren Jahren erfolgloser Suche rückte die Frage immer weiter in den Hintergrund. Doch es habe Parisi stets geärgert, dass er sie nicht beantworten konnte, erzählt Zamponi. Als Parisi sich dem KI-Modell Claude zuwandte, lieferte das Sprachmodell einen vielversprechenden Erklärungsansatz. Parisi und Zamponi konnten ihn zu einem Beweis für die erstaunliche Übereinstimmung ausarbeiten. Allerdings war die Lösung zu einfach für weitere Einsichten. „Wir hatten gehofft, dass sich dadurch neue Erkenntnisse zu den Gleichungen ergeben würden“, sagte Zamponi. Doch wenigstens gibt es jetzt Gewissheit, dass beide so unterschiedlich erscheinenden Ansätze dieselbe Physik beschreiben.