Ein Team von Forschern am EPFL hat einen künstlichen Intelligenz-Algorithmus namens Dynami-CAL GraphNet entwickelt, der komplexe dynamische Prozesse modelliert, während er die Gesetze der Physik – insbesondere Newtons drittes Gesetz – strikt einhält. Das Verfahren, das in der Zeitschrift Nature Communications veröffentlicht wurde, adressiert ein zentrales Problem der KI: Während maschinelle Lernmodelle oft beeindruckende Vorhersagen liefern, verletzen sie häufig grundlegende physikalische Prinzipien, was zu inkonsistenten, unrealistischen Simulationsergebnissen führt, besonders bei zeitlich sich entwickelnden Systemen wie Körpermotion, Teilchenkollisionen oder Robotergelenken. Klassische physikalische Modelle sind genau, erfordern aber immense Rechenleistung und sind oft nicht anpassungsfähig an neue Bedingungen. Dynami-CAL GraphNet verbindet die Stärken beider Ansätze: Es nutzt eine Graph-Neuronale-Netzwerk-Architektur (GNN), bei der Objekte als Knoten und Wechselwirkungen als Kanten dargestellt werden, und integriert Newtons drittes Gesetz – „Zu jeder Wirkung gibt es eine gleich große, entgegengesetzte Gegenwirkung“ – direkt in die Modellstruktur. Dadurch bleibt die Simulation stabil, auch bei hohen Geschwindigkeiten, großen Objektanzahlen oder ungewöhnlichen Konfigurationen. Im Gegensatz zu herkömmlichen KI-Modellen, die bereits nach wenigen Schritten divergieren, bleibt Dynami-CAL GraphNet über 16.000 Schritte stabil. Die Forscher testeten den Algorithmus an realen Szenarien: Er konnte die Kollision von Tausenden kugelförmiger Partikel in einem rotierenden Mischer vorhersagen, obwohl er nur auf vier Simulationen mit wenigen Partikeln in einem statischen Behälter trainiert wurde. Ebenso gelang es ihm, menschliche Gangmuster aus einfachen Bewegungsaufnahmen zu modellieren, ohne dass die Bodenkraft vorgegeben war. Auch auf molekularer Ebene, bei der Simulation von Proteinbewegungen in Lösung, zeigte das Modell präzise Vorhersagen von Deformationen. Ein wesentlicher Vorteil ist die geringe Datenanforderung: Der Algorithmus lernt effizient aus wenigen Trainingsbeispielen und kann auf neue Systeme extrapolieren, solange die zugrundeliegenden physikalischen Beziehungen gleich bleiben. Zudem ist die Ausgabe transparent: Jeder Schritt der Berechnung – Kräfte, Drehmomente, Impulserhaltung – ist nachvollziehbar und physikalisch konsistent, was Vertrauen in die Ergebnisse fördert, besonders in sicherheitskritischen Anwendungen wie Ingenieurwesen oder Medizin. Industrieexperten begrüßen die Entwicklung als Wendepunkt für die Integration von Physik in KI. „Dies ist einer der ersten Ansätze, der nicht nur die Gesetze der Physik nachahmt, sondern sie in die Architektur einbettet“, sagt ein Experte für maschinelles Lernen an der ETH Zürich. „Das schließt den kritischen Zwischenraum zwischen rein datengetriebener KI und klassischer Simulation.“ Die IMOS-Gruppe am EPFL, geleitet von Professorin Olga Fink, gilt als führend in der Entwicklung intelligenter Systeme für Wartung und Betrieb. Dynami-CAL GraphNet könnte künftig in der Robotik, der Materialwissenschaft, der Biomechanik und der industriellen Simulation breite Anwendung finden – dort, wo stabile, vertrauenswürdige und physikalisch korrekte Simulationen entscheidend sind.