PSI nutzt KI, um wissenschaftliche Entdeckungen mit Durchbruch in der Quantencomputing voranzutreiben

Image: TechCrunch · Source

Das Startup PSI verwendete ein unveröffentlichtes KI-Modell von Anthropic, um ein langjähriges Problem im Quantencomputing zu lösen, was die wachsende Rolle von KI in der wissenschaftlichen Forschung und ihr Potenzial zur Transformation theoretischer Physik in praktische Technologien verdeutlicht.

Physical Superintelligence (PSI), ein Startup-Labor, das sich auf KI-gestützte wissenschaftliche Forschung konzentriert, erzielte kürzlich bedeutende Fortschritte, indem es ein 18 Jahre altes Problem im Quantencomputing mit einer unveröffentlichten Version des KI-Modells Fable 5.2 von Anthropic löste. David Turturean, ein MIT-Alumnus und technisches Teammitglied von PSI, nutzte den Frühzugang zu diesem fortgeschrittenen Modell, um die Aaronson-Ambainis-Vermutung zu bearbeiten – eine grundlegende Frage bezüglich der Fähigkeit von Quantencomputern, klassische Computer bei der Lösungsgeschwindigkeit von Problemen zu übertreffen.

Dieses Problem, das von Forschern unter anderem Scott Aaronson gestellt wurde, blieb fast zwei Jahrzehnte ungelöst. Obwohl Aaronson selbst Unsicherheiten bezüglich der Details des KI-generierten Beweises äußerte, zeigte er Vertrauen in dessen Richtigkeit, da er in Lean – einer rigorosen mathematischen Programmierumgebung – formalisiert und von einem Team führender Forscher, die mit PSI kooperieren, geprüft wurde. Die Lösung der KI ergab ein negatives Resultat, das einen möglichen Weg ausschloss, den Quantencomputer hätten einschlagen können, um hohe Geschwindigkeit bei der Problemlösung zu erreichen, und somit den Fokus der aktuellen Quantencomputing-Forschung einschränkte.

Der Ansatz von PSI steht exemplarisch für ein neues Paradigma in der wissenschaftlichen Untersuchung: die Integration spezialisierter KI-Modelle mit umfassenden Forschungsrahmen und Werkzeugen, um komplexe Probleme der theoretischen Physik zu bearbeiten. CEO Matt Pines betonte die Notwendigkeit solcher Systeme, um breitgefächerte und tiefgehende Erkundungen wissenschaftlicher Fragestellungen durch robuste Infrastrukturen einschließlich Speichersystemen und Simulationsfähigkeiten zu ermöglichen.

Derzeit generiert PSI Einnahmen, indem es seine KI-Tools einsetzt, um physische Rechenzentrumsbetriebe zu optimieren und Umwelt- sowie physikalische Variablen zu simulieren, die sowohl die Leistung als auch die Gemeinschaftsauswirkungen beeinflussen. Die langfristige Vision des Unternehmens zielt jedoch darauf ab, theoretische Fortschritte der Physik – unterstützt durch KI-Hilfe – in greifbare Technologien umzusetzen.

Der Durchbruch des Startups reflektiert das disruptive Potenzial von KI in Domänen, die traditionell schwierig für maschinelles Schließen sind, besonders in den experimentellen Wissenschaften, wo natürliche Phänomene durch physikalische Experimente validiert werden müssen. Pines bemerkte, dass die Physik im Gegensatz zur Mathematik reale Variablen involviert, die Rechenmodelle bestätigen oder widerlegen können, was die experimentelle Validierung zu einem entscheidenden Bestandteil macht. PSI entwickelt daher iterative Schleifen zwischen KI-generierten Hypothesen und empirischen Tests, um diese Entdeckungen effektiv zu nutzen.

Mit der Beschleunigung wissenschaftlicher Entdeckungen durch KI betonen PSI und seine akademischen Berater die Bedeutung von Transparenz und Zusammenarbeit. Das Unternehmen verzögerte die Veröffentlichung seiner Resultate, bis das zugrunde liegende KI-Modell kurz vor der Freigabe stand, um Zeit für Expertenkonsultationen und die Verfeinerung der Darstellung für menschliches Verständnis zu ermöglichen. Dieser vorsichtige Ansatz hebt aufkommende bewährte Praktiken in KI-gestützter Forschung hervor, die schnelle Innovation mit methodischer Strenge ausbalancieren.

Der Fall PSI unterstreicht einen umfassenderen Wandel, da „Neolabore für die Wissenschaft“ entstehen, die KI einsetzen, um Grenzen in der Physik und verwandten Disziplinen zu verschieben. Trotz verbleibender Herausforderungen bei der Standardisierung von Workflows und Validierung in dieser neuen Forschungslandschaft bestätigen die gezeigten Ergebnisse die transformative Rolle von KI bei der Erweiterung wissenschaftlichen Wissens und letztlich der Ermöglichung neuer Technologien.