Forschende der Clarkson University haben ein künstliches Intelligenz-Tool mit dem Namen KANDy entwickelt, das aus reinen Messdaten die mathematischen Grundgleichungen komplexer und chaotischer Systeme ableitet. Im Gegensatz zu herkömmlichen KI-Modellen, die oft als Blackbox fungieren und zwar Vorhersagen treffen, deren innere Logik jedoch unklar bleibt, verfolgt KANDy einen transparenten Ansatz. Der Name steht für Kolmogorov-Arnold Networks for Dynamics. Das Framework baut auf einer speziellen Klasse neuronaler Netze auf und wurde speziell für die Analyse dynamischer Systeme angepasst. So gelingt es dem Algorithmus, auch unter starken Störungen, bei Nichtlinearität oder hoher Unvorhersagbarkeit die zugrundeliegenden mathematischen Regeln zu identifizieren. Das Forschungsprojekt wurde von Research Associate Kevin Slote und Research Assistant Professor Jeremie Fish am Department für Elektrotechnik und Computeringenieurwesen der Clarkson University durchgeführt. Die Arbeitsgruppe steht unter der Leitung von Erik Bollt. Die Ergebnisse wurden kürzlich auf dem Preprint-Server arXiv vorgestellt. Zur Validierung setzten die Entwickler KANDy auf eine Vielzahl anspruchsvoller Testfälle ein, darunter diskrete und kontinuierliche dynamische Systeme sowie chaotische partielle Differentialgleichungen. Ein besonderes Ergebnis war die erfolgreiche Rekonstruktion der topologischen Struktur der Hopf-Faserung, was die Fähigkeit des Modells unterstreicht, tiefgreifende mathematische Eigenschaften selbst aus verrauschten Beobachtungsdaten zu erfassen. Mit KANDy steht Wissenschaftlern und Ingenieuren nun ein datengetriebenes Werkzeug zur Verfügung, das interpretierbare Modelle für nichtlineare dynamische Phänomene ermöglicht. Die Open-Source-Implementierung ist auf GitHub verfügbar und erleichtert der Forschungsgemeinschaft den Zugang zur neuen Technologie. Der Ansatz markiert einen signifikanten Schritt hin zu erklärbarer KI in den Naturwissenschaften und könnte künftig die Modellierung physikalischer Prozesse beschleunigen, für die analytische Lösungen bisher nicht verfügbar oder zu komplex sind.