Claude hat es geschafft: Das KI-Modell von Anthropic hat eine neunfache Schleife in der N=4 super-Yang-Mills-Theorie berechnet – ein Problem aus der theoretischen Teilchenphysik, das Physiker lange für rechnerisch zu aufwändig hielten. Der Durchbruch wurde von Anthropic in einem Gastbeitrag des Physikers und Wissenschaftsjournalisten Matt von Hippel dokumentiert.
Kurz & knapp
- Claude löste ein offenes Problem der Amplitudentheorie – einem Teilgebiet der theoretischen Teilchenphysik
- Die Berechnung einer neunfachen Schleife in der Yang-Mills-Theorie galt als Grenze dessen, was mit akademischen Ressourcen erreichbar ist
- Von Hippel stellte AI-Unternehmen eine Herausforderung, genau dieses Problem zu knacken – kurz darauf war es gelöst
- Das Ergebnis zeigt: KI kann nicht nur mathematische Ideen finden, sondern auch rechnerisch harte Probleme bewältigen
Worum es in der Herausforderung ging
Matt von Hippel, ehemaliger Teilchenphysiker und heute Wissenschaftsjournalist, stellte AI-Unternehmen eine konkrete Aufgabe: Löst ein Problem aus meinem früheren Forschungsgebiet mit den Mitteln, die Akademiker haben. Seine Challenge war klar formuliert – entweder N=8 Supergravitation zu sieben Schleifen oder N=4 super Yang-Mills zu neun Schleifen.
Why diese Probleme? Weil sie an der Grenze dessen liegen, was Forscher mit verfügbaren Computern und Zeit bewältigen können. Es geht nicht darum, dass niemand weiß, wie man es prinzipiell macht – sondern dass der Rechenaufwand gigantisch ist. Von Hippel wollte sehen, ob ein intelligenteres System – eine KI – die gleichen Ressourcen effizienter nutzen könnte.
"I wanted to see if those researchers were wrong: if a smarter, artificial researcher could use the same computers, and solve the problem anyway."
So formulierte von Hippel sein Anliegen. Er suchte nicht nach neuen mathematischen Ideen (die sind schwer zu bewerten), sondern nach echter Rechenleistung unter Druck.
Was die Amplitudentheorie ist – und warum das wichtig ist
Die Amplitudentheorie ist ein Teilgebiet der theoretischen Teilchenphysik. Physiker nutzen sogenannte Streuamplituden – mathematische Formeln –, um vorherzusagen, wie Elementarteilchen miteinander wechselwirken. Mit diesen Amplituden können sie berechnen, wie wahrscheinlich bestimmte Reaktionen sind. Das ist zentral für die Überprüfung von Experimenten wie am Large Hadron Collider: Stimmen die gemessenen Ergebnisse mit den Vorhersagen überein?
Je genauer die Berechnungen, desto besser die Vorhersagen. Aber: Je präziser, desto aufwändiger die Mathematik – und irgendwann stoßen selbst spezialisierte Supercomputer an ihre Grenzen.
Was das für KI-Fähigkeiten bedeutet
Clauds Erfolg ist ein Signal, das über Physik hinausgeht. Es zeigt, dass KI nicht nur bei "weichen" Aufgaben wie Schreiben oder Ideenfindung Fortschritte macht, sondern auch bei hart strukturierten, rechnerisch intensiven Problemen. Das unterscheidet sich von bisherigen KI-Erfolgen in der Mathematik, die oft auf konzeptionelle Durchbrüche beruhten.
Die Frage, die von Hippel sich selbst gestellt hatte, war bewusst gewählt: Kann KI an eine rechnerische Grenze vorstoßen, die nicht an fehlender Kreativität liegt, sondern an schlichtem Aufwand? Die Antwort scheint ja zu sein.
Was das für deutsche Forschung und Industrie bedeutet
Dieser Durchbruch hat Implikationen für Unternehmen und Institute, die an Optimierungsproblemen, Materialwissenschaft oder komplexen Simulationen arbeiten. Wenn KI-Modelle wie Claude in der Lage sind, rechnerisch harte Probleme unter akademischen Ressourcen-Bedingungen zu knacken, könnte das neue Wege für Forschungseffizienz eröffnen – etwa in der Chemie, Physik oder Ingenieurwissenschaft. Gleichzeitig wirft es Fragen auf: Welche anderen "unmöglichen" Probleme könnten plötzlich lösbar werden? Und wie verändern sich Anforderungen an spezialisierte Forschungsteams?
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
