Google DeepMind hat gemeinsam mit Wissenschaftlern aus Brown University, New York University und Stanford University eine bahnbrechende Methode entwickelt, um bisher unbekannte Lösungen für zentrale Probleme der Fluiddynamik zu finden – darunter langfristig ungelöste Fragen rund um Singularitäten in den 3D-Euler- und Navier-Stokes-Gleichungen. Diese Gleichungen beschreiben die Bewegung von Flüssigkeiten und Gasen und sind grundlegend für die Physik, Ingenieurwissenschaften und Klimamodellierung. Ein zentrales Hindernis bei ihrer Analyse sind sogenannte „Blow-ups“ oder Singularitäten: Situationen, in denen physikalische Größen wie Geschwindigkeit oder Druck theoretisch unendlich werden. Solche Singularitäten könnten auf fundamentale Grenzen der Gleichungen hinweisen und helfen, die Realität besser zu verstehen – insbesondere in turbulenten Strömungen wie Wirbelstürmen oder Flugzeugauftrieb. Bisher war es extrem schwierig, solche Singularitäten systematisch zu finden, besonders instabile, die nur unter sehr präzisen Bedingungen auftreten. In der neuen Studie nutzten die Forscher künstliche Intelligenz, speziell eine verbesserte Variante von Physics-Informed Neural Networks (PINNs), um diese seltenen Phänomene zu entdecken. Durch die Integration mathematischer Einsichten und extrem hohe numerische Präzision konnten sie PINNs zu einem Werkzeug für wissenschaftliche Entdeckung umfunktionieren. Das Ergebnis: die erste systematische Identifizierung neuer Familien instabiler Singularitäten in drei wichtigen Fluiddynamik-Gleichungen – darunter die Inkompressible Porous Media (IPM) und die Boussinesq-Gleichung. Besonders aufschlussreich war ein erkennbarer Muster in den Daten: Wenn die Instabilität eines Singularitäts-Typs zunahm – gemessen an der Anzahl möglicher Abweichungen von der Lösung – zeigte sich eine klare Beziehung zwischen der Instabilitätsordnung und dem Parameter λ, der die Geschwindigkeit des Blow-ups beschreibt. Diese Beziehung bildete eine nahezu lineare Struktur, was darauf hindeutet, dass weitere, noch instabiliere Lösungen existieren könnten, deren λ-Werte auf derselben Linie liegen. Dies könnte ein Hinweis auf eine tiefere, bisher unbekannte mathematische Struktur hinter den Gleichungen sein. Die Ergebnisse sind nicht nur für die Theorie von Bedeutung, sondern auch für praktische Anwendungen in der Wettervorhersage, Luftfahrt und Energieerzeugung, wo Turbulenz und Instabilität entscheidend sind. Die Methode demonstriert, wie KI in Kombination mit mathematischer Tiefe zu neuen Erkenntnissen führen kann – nicht nur als Simulationstool, sondern als aktiver Entdeckungspartner. Industrieexperten sehen in der Arbeit einen Meilenstein für die Integration von KI in die Grundlagenforschung. „Dies zeigt, dass KI nicht nur zur Beschleunigung von Berechnungen dient, sondern tatsächlich neue physikalische Intuitionen generieren kann“, sagt ein Mathematiker von der ETH Zürich. DeepMind, ein Tochterunternehmen von Alphabet, positioniert sich mit solchen Projekten als führender Akteur in der Verbindung von künstlicher Intelligenz und theoretischer Wissenschaft. Die Studie unterstreicht die wachsende Rolle von interdisziplinären Forschungsansätzen, bei denen KI als Werkzeug zur Lösung von Millennium-Preis-Problemen – wie dem Navier-Stokes-Existenzproblem – beitragen könnte.