Forschende am Pacific Northwest National Laboratory unter der Leitung von Henry Kvinge schlagen eine Brücke zwischen reiner Mathematik und künstlicher Intelligenz. Das Team entwickelt Datensätze und Analysewerkzeuge, die speziell auf kombinatorische Strukturen zugeschnitten sind und KI-Systeme beim Lösen forschungsrelevanter mathematischer Probleme unterstützen. Im Zentrum der Untersuchungen steht die Frage, inwieweit Large Language Models mathematische Weltmodelle ausbilden und ob ihre Verarbeitungslogik menschlichen Denkmustern entspricht. Kvinge betont, dass das übergeordnete Ziel nicht das bloße Berechnen von Lösungen sei, sondern die Generierung neuer Erkenntnisse, die mathematische und wissenschaftliche Forschungsperspektiven nachhaltig erweitern. Zur Analyse der KI-internen Verarbeitung durchliefen die Forschenden die zugrundeliegenden Rechenprozesse dieser Modelle bei mathematischen Aufgaben. Dabei zeigte sich, dass die Systeme teilweise menschliche Konzepte wie die lineare Anordnung ganzer Zahlen oder die Assoziativität von Operationen nachbilden. Gleichzeitig offenbarten die Tests systematische Abweichungen: Während menschliche Denkprozesse auf einfachen, robusten Regeln basieren, neigen KI-Systeme dazu, Ergebnisse durch reine Memorisation oder auf Grundlage wörtlicher Eingabeaufforderungen zu liefern. Diese Diskrepanzen machen die Mathematik zu einem idealen, eindeutig definierbaren Testfeld für die Erforschung von Modellverständnis, Transparenz und kognitiver Simulation. Um die interdisziplinäre Zusammenarbeit zu institutionalisieren, initiierte das PNNL-Team die Forschungscommunity Topology, Algebra, and Geometry in Data Science. Die erste eigenständige Veranstaltung fand am 1. und 2. Dezember 2025 an der University of California, San Diego, statt und wurde zeitlich sowie räumlich an die internationale Konferenz NeurIPS 2025 gekoppelt, um den wissenschaftlichen Austausch zu maximieren. Die nächste Ausgabe ist für August 2026 an der Northeastern University geplant. Ergänzend wurde die Datenbank OpenConjecture etabliert, die aktuell tausende ungelöste mathematische Vermutungen katalogisiert und als gemeinsame Aufgabenstellung für Forscherinnen sowie KI-Modelle dient. Parallel dazu entwickeln die Wissenschaftlerinnen TAGTorch, eine auf PyTorch basierende Programmierbibliothek, die mathematikinspirierte Ansätze nahtlos in moderne Deep-Learning-Pipelines integriert. Die Erstellung erfolgt im Rahmen des vom US-Energieministerium finanzierten Programms Scientific Discovery through Advanced Computing. Die gesamte Initiative wird als wesentlicher Beitrag zur Genesis Mission des Ministeriums verstanden, die darauf abzielt, durch hochleistungsfähige Rechenplattformen wissenschaftliche Entdeckungen zu beschleunigen und die nationale Energieinnovation voranzutreiben. Durch die strukturelle Vernetzung beider Fachbereiche soll künftig sichergestellt werden, dass KI-Systeme konzeptionell zunehmend in wissenschaftliche Erkenntnisprozesse integriert werden und nicht als rein isolierte Rechenwerkzeuge fungieren.