NVIDIA stellt mit FLARE Auto-FL ein KI-gestütztes Framework zur Automatisierung von Forschungsschleifen im Bereich des Federated Learning vor. Das System zielt darauf ab, die experimentelle Entwicklung verteilter Lernmodelle zu beschleunigen, dabei jedoch Reproduzierbarkeit und faire Vergleichbarkeit zu gewährleisten. Auto-FL operiert als autonomer Forschungsassistent, der KI-Agenten anweist, FL-Strategien unter strengen Vertragsregeln zu testen und zu optimieren. Statt offener Forschungsfragen definiert das System einen festen Benchmark, ein festgelegtes Trainingsbudget sowie eine begrenzte Mutationsfläche. Der KI-Agent schlägt daraufhin kontrollierte Änderungen vor, führt die Experimente durch, extrahiert vergleichbare Metriken und protokolliert alle Ergebnisse in einer zentralen Ledger-Datei. Dies verhindert, dass scheinbare Leistungssteigerungen durch versteckte Änderungen an Evaluierungsdaten, Modellkapazitäten oder Kommunikationsbudgets zustande kommen. Die Architektur von FLARE Auto-FL lässt sich in klar abgegrenzte Komponenten unterteilen. Als Steuerebene dient eine Hauptkonfigurationsdatei, die dem Agenten die Forschungsregeln vorgibt. Das Aufgabenprofil implementiert die FLARE-Recipes- und Client-APIs. Zusätzliche Skripte definieren Support für Standard-Algorithmen wie FedAvg, FedOpt, SCAFFOLD und FedProx, während Mutationsguardrails den erlaubten Suchraum eingrenzen. Ein integrierter Ledger erfasst Laufzeit, Status, Zielscores und verlinkte Artefakte aller Versuche. Eine zentrale Innovation ist die literaturbasierte Erholungsfunktion bei Leistungsplateaus. Erkennt der Ledger, dass lokale Anpassungen keine Verbesserungen mehr bringen, wechselt das System in einen strukturierten Literatur-Review-Loop. Der Agent sucht nach wissenschaftlichen Quellen, extrahiert Herausforderungskarten, bewertet neue Vorschläge hinsichtlich Implementierungsaufwand, Vertragskonformität und erwartetem Gewinn und leitet daraus wieder zulässige Experimentvorschläge ab. Nach Abschluss oder manueller Unterbrechung generiert die Reporting-Funktion einen detaillierten Forschungsbericht, der Baseline- und Bestwerte, Laufzeitkosten, Fehlschläge sowie evidenzbasierte Next-Steps dokumentiert. Das Framework ist explizit für die Anpassung an verschiedene Aufgaben konzipiert. Neben standardisierten Simulationen demonstriert NVIDIA FLARE Auto-FL erfolgreich den Einsatz in medizinischen Szenarien. Hier wird ein federiertes Training von VLM-LoRA-Adaptern über drei verschiedene Datenquellen simuliert. Die KI-gesteuerte Optimierung erzielte hier signifikante F1-Gewinne, insbesondere auf schwereren Out-of-Distribution-Datensätzen, ohne die festgelegten Evaluierungs- und Vertragsregeln zu verletzen. Forscher können das System als Ausgangspunkt nutzen, um eigene FL-Experimente zu strukturieren. Durch die Entkopplung der Hauptsteuerung vom aufgabenspezifischen Profil lassen sich Budget, Metriken und Mutationsgrenzen individuell anpassen. Der Mehrwert liegt nicht in der autonomen Magie der KI, sondern in der rigorosen Prozessdisziplin: Feste Verträge, transparente Ledgers, kontrollierte Mutationsflächen und eine dokumentierte Entscheidungshistorie ermöglichen es, repetitive Testarbeit zu automatisieren, ohne wissenschaftliche Strenge zu opfern. FLARE Auto-FL etabliert damit einen skalierbaren Standard für die nächste Generation verteilter KI-Forschung.