Künstliche Intelligenz wird die Wissenschaft grundlegend verändern, daran besteht kein Zweifel. Schon heute entdeckt sie neue Medikamente, optimiert Experimente oder findet in der Physik Lösungen, auf die Menschen allein vermutlich nicht gekommen wären. Der Science-Fiction-Autor Ted Chiang hat dieses Szenario bereits im Jahr 2000 erahnt: In der Kurzgeschichte »Catching Crumbs from the Table« beschreibt er das Auftreten von »Metamenschen« – genetisch modifizierten Personen mit ungeahnten geistigen Fähigkeiten.

Chiang zeichnet das Bild einer Welt, in der gewöhnliche Menschen wissenschaftliche Arbeiten nicht mehr selbst verfassen; sie versuchen nur noch, die Erkenntnisse der überlegenen Intelligenzen zu deuten. Sie sammeln die Krümel auf, die vom Tisch der Metamenschen fallen.

Ich glaube, dass wir kurz davorstehen könnten, in eine solche Welt einzutreten. Denn ich beobachte es aktuell in meiner eigenen Forschung.

Die Anfänge mit Melvin

Meine Doktorarbeit machte ich in der Forschungsgruppe des späteren Nobelpreisträgers Anton Zeilinger an der Universität Wien. Zeilinger erforscht seit Jahrzehnten das Phänomen der Verschränkung – eine der kontraintuitivsten Vorhersagen der Physik. Verschränkte Systeme bestehen aus zwei oder mehr Teilchen, die räumlich weit voneinander getrennt sein können und dennoch eng miteinander verbunden sind.

Das einfachste verschränkte System besteht aus zwei Teilchen, etwa Lichtteilchen, den Photonen. Diese kann man sich farbig vorstellen, zum Beispiel rot oder grün. In der Quantenphysik ist es möglich, verschränkte Photonenpaare zu erzeugen, die gemeinsam entweder rot oder grün sind. Faszinierenderweise haben die Teilchen vor der Messung keine definierte Farbe; erst die Messung eines Photons realisiert seine Eigenschaft – und zugleich die seines potenziell weit entfernten Partners.

In den 1970er- und 1980er‑Jahren haben John Clauser und Alain Aspect erstmals dieses Phänomen experimentell beobachtet und in den folgenden Jahrzehnten immer präziser untersucht. Für diese Arbeiten wurden sie im Jahr 2022 gemeinsam mit Anton Zeilinger – der unter anderem erste Anwendungen der Verschränkung genutzt hat – mit dem Physik‑Nobelpreis gewürdigt.

In meiner Dissertation widmete ich mich hochdimensionaler Quantenverschränkung. Das sind Zustände, die komplexer sind als die Kopplung von zwei Teilchen mit zwei Eigenschaften. Tatsächlich kann man die Verschränkung auf zwei verschiedene Weisen komplexer machen:

1. Man erhöht die Anzahl der miteinander verschränkten Teilchen.
2. Man erhöht die Anzahl der möglichen Zustände, etwa Farben.

2014 wollten wir erstmals ein Quantensystem mit drei Teilchen und drei Farben untersuchen. Ein solches System sollte laut Berechnungen ungewöhnliche Eigenschaften besitzen. Doch dafür brauchten wir zuerst einen geeigneten Versuchsaufbau.

Normalerweise gehen kreative Forscher dafür an eine Tafel oder nehmen einen Notizblock zur Hand und suchen nach einer Möglichkeit, das gewünschte Quantensystem zu erzeugen. Dieses Vorgehen hatte seit den 1970er-Jahren funktioniert, und daher fingen wir genauso an.

Wochenlang grübelten erfahrene Kollegen und ich über mögliche Umsetzungen. Doch nichts funktionierte. Wir fanden keine Möglichkeit, ein verschränktes System aus drei Teilchen und drei Zuständen zu erzeugen. Nach etwa zwei Monaten war mir klar: Unser gewohnter, auf menschlicher Intuition basierender Ansatz schien hier nicht zu funktionieren. Ich musste etwas anderes versuchen.

Also schrieb ich ein Programm, das wir Melvin nannten. Es konnte alle Komponenten, die uns im Labor zur Verfügung standen, virtuell kombinieren und so nach Aufbauten suchen, die den gewünschten Quantenzustand erzeugen würden. Um die Suche zu beschleunigen, nutzte Melvin einen Lernalgorithmus, der sich bereits gefundene, nützliche Aufbauten merkt und in späteren Versuchen wiederverwendet. Nachdem ich das Programm fertiggestellt hatte, startete ich es eines Abends und ließ es über Nacht laufen.

Hatte der Computer wirklich einen Weg gefunden, eine hochdimensionale Verschränkung zu erzeugen?

Als ich am nächsten Morgen ins Büro kam, fand ich eine Datei mit dem Namen »solution.txt« auf meinem Desktop. Ich war überrascht. Hatte der Computer wirklich einen Weg gefunden, eine hochdimensionale Verschränkung zu erzeugen?

Wir verbrachten einen ganzen Tag damit, das Ergebnis zu untersuchen. Spät am Abend waren wir uns schließlich sicher: Melvin hatte tatsächlich eine Lösung für das quantenphysikalische Problem gefunden, an dem wir uns monatelang die Zähne ausgebissen hatten.

Und es blieb nicht bei der Theorie. In einem vierjährigen Kraftakt bauten wir unter Federführung meines Kollegen Manuel Erhard das Experiment exakt nach Melvins Plan auf – und konnten die besonderen Eigenschaften des Zielzustands erstmals beobachten.

In der Folge setzten wir Melvin bei weiteren Fragestellungen ein und entwickelten mehrfach neuartige Experimentierdesigns, auf die wir wohl allein nicht gekommen wären.

Von einer KI lernen

Was mich dabei besonders faszinierte: Wir konnten von diesem Programm lernen. Das zeigte sich, als wir Melvin nicht mehr nur auf einen konkreten Zustand ansetzten, sondern ihn allgemein nach Vielteilchensystemen mit hochdimensionaler Verschränkung suchen ließen.

Dafür musste ich die Größe der Quantensysteme beschränken, die Melvin verwenden durfte, um zu verhindern, dass er riesige Quantensysteme berechnet. Denn das ist auf klassischen Computern extrem ressourcenintensiv und würde zu gigantischen Rechenzeiten führen. Unter diesen Beschränkungen – so ergaben meine Abschätzungen und Berechnungen – würden die vorgeschlagenen Versuchsaufbauten keine beliebig komplexe Verschränkung erzeugen können. Melvin konnte höchstens einen Weg finden, neundimensionale Verschränkungen hervorzubringen.

Ich startete also die neue Programmversion, und nach einigen Tagen untersuchte ich die gefundenen Lösungen. Zu meiner großen Überraschung hatte Melvin eine Möglichkeit entdeckt, zwölfdimensionale Verschränkungen umzusetzen – das schien mir vollkommen unmöglich.

Wie konnte das Programm eine so offensichtlich scheinende Grenze überschreiten?

Zunächst vermutete ich einen Fehler in meinem Code. Doch nach genauerer Prüfung stellte ich fest, dass sich Melvins Lösung exakt nachrechnen ließ – sie war also korrekt. Aber wie konnte das Programm eine so offensichtlich scheinende Grenze überschreiten?

Nach wochenlanger Analyse fiel Zeilinger auf, dass ihm die Struktur der Lösung bekannt vorkam. Sie erinnerte an eine Technik aus den frühen 1990er-Jahren, die weitgehend in Vergessenheit geraten war. Und tatsächlich: Melvin hatte eine ungewöhnlich wirkende Messtechnik adaptiert, für die Erzeugung von Verschränkung zweckentfremdet und so die vermeintliche Barriere umgangen.

Das zahlte sich gleich doppelt aus. Wir erkannten – ganz ohne Computerunterstützung –, wie sich mit diesem exotischen Ansatz viele weitere Quantensysteme erzeugen lassen. Die von Melvin inspirierte Methode konnten wir nicht nur verstehen, sondern auch verallgemeinern. Nun wird sie in zahlreichen Laboren weltweit umgesetzt.

Können wir KI-Lösungen stets verstehen?

Im Jahr 2022 entwickelten wir Melvin erneut weiter. Der neue Algorithmus PyTheus sollte ganze Klassen von Quantenexperimenten entwerfen, um Quantenzustände zu erzeugen. Er sollte außerdem Aufbauten vorschlagen, mit denen sich die Quantenzustände gezielt verändern und messen lassen, was für die Entwicklung von Quantencomputern wichtig ist. Zudem wollten wir mit PyTheus neue Aufbauten für die Quantenkommunikation und für Quantennetzwerke entdecken.

Als Test wollten wir PyTheus eine bereits seit den 1990er-Jahren genutzte Technik wiederentdecken lassen: das »entanglement swapping«, den Verschränkungsaustausch. Dieses adressiert eine der zentralsten Fragen der Quantenphysik: Wie lässt sich Quantenverschränkung erzeugen?

Bis in die 1990er-Jahre ging man davon aus, dass Teilchen nur verschränkt werden können, wenn sie sich am selben Ort befinden. Dies änderte sich jedoch 1993, als Zeilinger und seine Kollegen das »entanglement swapping« entdeckten. Dafür erzeugt man zwei verschränkte Photonenpaare und führt an je einem Photon der zwei Paare eine spezielle Messung durch. Am Ende des Vorgangs sind zwei Teilchen miteinander verschränkt, die sich nie am selben Ort befunden haben.

Ein Student meiner Gruppe, Sören Arlt, implementierte diese Aufgabe in PyTheus und versuchte so, das »entanglement swapping« zu reproduzieren. Kurz darauf zeigte er mir die erste Lösung. Sie schien offenkundig falsch: Es fehlten notwendige Bausteine, wie die Erzeugung lokaler Verschränkung oder die spezielle Zwei-Teilchen-Messung. Ich war überzeugt, dass die Lösung falsch sein musste, und bat Arlt deshalb, sie zu überprüfen.

Am nächsten Tag kam er mit derselben Lösung zurück – diesmal mit einer detaillierten Erklärung. Nach sorgfältiger Prüfung erkannten wir: PyTheus hatte tatsächlich eine neue Methode gefunden, Teilchen zu verschränken, die nie miteinander gewechselwirkt hatten. Die Strategie unterscheidet sich aber grundlegend von der Idee von 1994. Damit hatte eine Maschine nach fast 30 Jahren eine zweite, bislang unbekannte Möglichkeit zur distanzierten Verschränkung entdeckt.

Die zentrale Idee besteht darin, ein Vier‑Photonen‑Quantensystem gleichzeitig an zwei getrennten Orten zu erzeugen. 2024 hat die Forschungsgruppe um den Quantenoptiker Xiaosong Ma in Nanjing diese Methode erfolgreich im Labor umgesetzt.

Wir untersuchen derzeit weitere Anwendungen dieser konzeptionellen Einsicht, etwa die Verbindung zu Quantenteleportation oder neue Techniken für Quantencomputer. Das von PyTheus gefundene Prinzip liefert neue Perspektiven darauf, welche Ressourcen wirklich notwendig sind, um Quantenverschränkung zu erzeugen – und welche nicht.

In diesem Fall konnten wir die Idee der KI verstehen, auch wenn sie zunächst abwegig schien. Aber das gelingt nicht immer.

Eine von KI entdeckte Idee, die wir nicht verstehen

Inzwischen setzen wir unsere KI-Algorithmen nicht mehr nur für Experimente aus der Quantenoptik ein. Wir tüfteln auch mit anderen Physikerinnen und Physikern aus, wie sich ihre Laborversuche umgestalten lassen. Ein Beispiel dafür ist eine Zusammenarbeit mit der LIGO‑Kollaboration (Laser Interferometer Gravitational‑Wave Observatory), die eines der beeindruckendsten und empfindlichsten Experimente der Menschheit betreibt: die Detektion von Gravitationswellen.

Gravitationswellen sind Verzerrungen der Raumzeit, verursacht durch extrem energiereiche kosmische Ereignisse – etwa Kollisionen Schwarzer Löcher oder Explosionen von Sternen. Wenn Gravitationswellen die Erde durchqueren, verändern sie die Abstände zwischen zwei Raumpunkten minimal. LIGO nutzt diesen Effekt: Die Detektoren bestehen aus zwei senkrecht zueinander angeordneten, jeweils vier Kilometer langen Vakuumröhren, die hochenergetische Laserstrahlen führen. Durchläuft eine Gravitationswelle den Detektor, wird ein Arm um einen Bruchteil eines Atomdurchmessers gestaucht, während sich der andere Arm um denselben Betrag verlängert. Mithilfe ausgeklügelter optischer Interferometrie lässt sich dieser Effekt beobachten. 2016 gelang der erste direkte Nachweis von Gravitationswellen, genau 100 Jahre nach Albert Einsteins Vorhersage. Für diese bahnbrechende Entdeckung erhielten Rainer Weiss, Kip Thorne und Barry Barish im Jahr 2017 den Nobelpreis.

Vier Jahre später kamen die Physiker Yehonathan Drori und Rana Adhikari von LIGO auf uns zu und fragten, ob sich ihre Detektoren verbessern lassen. Wir arbeiteten zwei Jahre an dieser Fragestellung und nutzten dabei 1,5 Millionen CPU‑Stunden, bei denen das KI-Programm zahlreiche verschiedene Detektordesigns vorschlug. Und Simulationen zeigten: Die Ergebnisse scheinen bestehende Lösungen deutlich zu übertreffen. Wir verbrachten mehr als ein halbes Jahr damit, zu untersuchen, was die KI entdeckt hatte – und warum wir Menschen es übersehen konnten.

Ein Teil der Vorschläge griff bekannte Ideen wieder auf, die Forschende in den letzten 20 Jahren hatten: etwa zwei Laserquellen an den Enden der Vakuumröhren statt nur einer, die geteilt wird; oder die Kopplung extrem leistungsstarker Laserfelder mit ultraleichten Spiegeln, um Quanteneffekte im Licht zu erzeugen. Doch fast alle Lösungen enthielten darüber hinaus Merkmale, die uns völlig fremd sind – von denen wir nicht verstehen, was sie bewirken. Diese scheinen aber entscheidend für die verbesserte Leistungsfähigkeit zu sein.

Das lässt mich und meine Kollegen mit einem mulmigen Gefühl zurück. Wir können zwar die Qualität der Lösung nachprüfen und einige der Techniken wiedererkennen, aber uns fehlt vollkommen das Verständnis für das große Ganze.

Wir könnten die Vorschläge der KI zwar nachbauen – doch ohne die zugrunde liegenden physikalischen Prinzipien zu verstehen, lassen sich diese neuen Eigenschaften weder sicher nutzen noch auf andere Probleme übertragen.

Was bedeutet das für die Zukunft?

Künstliche Intelligenz wird die Wissenschaft tiefgreifend verändern – und das vielleicht schneller, als wir noch vor wenigen Jahren erwartet hätten. Die möglichen Auswirkungen sind immens: neue Medikamente, neuartige Materialien für futuristische Energiespeicher und andere Hochtechnologien, äußerst empfindliche physikalische Experimente, die völlig neue Fragen an das Universum richten, und möglicherweise sogar revolutionäre Theorien darüber, wie die Welt funktioniert.

Gleichzeitig stehen wir vor einer epistemischen Herausforderung. Zum ersten Mal liefert nichtmenschliche Intelligenz wissenschaftliche Ergebnisse, die wir überprüfen können, ohne sie zu verstehen. Wir betreten damit eine Epoche, in der Verständnis nicht mehr selbstverständlich Teil der Erkenntnis ist. Wie würde eine Wissenschaft aussehen, in der wir mehr und mehr neue Entdeckungen nicht mehr interpretieren oder verstehen können? Wenn der wissenschaftliche Fortschritt nicht mehr von uns gemacht wird, wenn wir Resultate verifizieren, aber nicht mehr verstehen können? Was bleibt von der Neugier, die uns seit Jahrhunderten antreibt?

Chiang schließt seine Kurzgeschichte mit den Worten: »Wir müssen uns von den Errungenschaften der metahumanen Wissenschaft nicht fürchten. Wir sollten nie vergessen, dass die Verfahren, auf denen die Existenz der Metamenschen beruht, ursprünglich von Menschen erfunden wurden, die nicht klüger waren als wir.«

Das ist kein besonders tröstlicher Gedanke. Wir möchten die positiven Auswirkungen des Fortschritts nicht verhindern, aber uns Menschen immer noch die Möglichkeit geben, die Entdeckungen der KIs zu verstehen. Daher scheint eine wichtige Aufgabe in Zukunft zu sein, neue Formen des Verstehens zu entwickeln – eine Wissenschaft des Interpretierens von Lösungen fremder Intelligenzen.