Hauptinhalt
B.Sc. Physik und KI
Spätestens seit ChatGPT ist künstliche Intelligenz (KI) in aller Munde. Auch vor ChatGPT waren künstlichen Intelligenzen schon großer Bestandteil des menschlichen Alltags, doch wie können KI-Technologien in der physikalischen Auswertung von großen Datenmengen eingesetzt werden? Der im Wintersemester 2024/25 neu kommende Bachelorstudiengang Physik und KI zielt darauf ab, physikalische Datenerhebung, -analyse und -interpretation durch die Unterstützung von KI zu optimieren. Wenn Sie Ihr Studium schon jetzt beginnen möchten, schreiben Sie sich jetzt in den allgemeinen Studiengang "B.Sc. Physik" ein, belegen Sie die Module von Physik und KI und wechseln dann ab dem Wintersemester 2024/25 in den neuen Studiengang.
Im Studiengang Physik und KI soll das Verständnis der zugrundeliegenden Prozesse vertieft werden, um nicht nur bereits vorhandene Daten mit bekannten KI-Methoden zu analysieren, sondern auch neue Probleme messbar zu machen und Zusammenhänge selbstständig zu erkennen.
Ziel des neuen Studiengangs Physik und KI ist es, in 8 Semestern ein solides Fundament in der Physik und der Mathematik/Informatik zu schaffen, um Anwendungen in Gebieten wie Neurobiologie, Humanbiologie, Psychologie oder Pharmazie zu befördern. Hierzu bedarf es eines vertieften Einblicks in diese Disziplinen und des Erwerbs der „gemeinsamen Sprache“ mit Spezialistinnen und Spezialisten der genannten Bereiche.
In einigen Arbeitsgruppen unseres Fachbereichs ist KI bereits ein integrierter Bestandteil der Forschung. Wie beschreiben unsere Professor*innen die Nutzung von KI in ihrer Forschung?
Prof. Dr. Frank Bremmer - AG Angewandte Physik und Neurophysik
Prof. Dr. Frank Bremmer Zeige Bild in voller Größe.
Der Bedarf an nicht-pharmakologischen und gleichzeitig nicht-invasiven Biomarkern und einfachen Systemen zur Diagnoseunterstützung von Hirnerkrankungen, insbesondere neurodegenerativer Erkrankungen, steigt aufgrund der demographischen Entwicklung der Bevölkerung seit Jahren kontinuierlich an. Daher werden technologische Systeme benötigt, die es in einem möglichst frühen Stadium einer Erkrankung ermöglichen festzustellen, ob ein Patient in Zukunft beispielsweise an Morbus Parkinson (engl.: Parkinson’s Disease, PD) erkranken wird.
In den letzten Jahren ist es gelungen, vielversprechende Biomarker für PD zu erforschen und für den klinischen Alltag verfügbar zu machen. So konnte beispielsweise die AG Neurophysik zeigen, wie die Körpermotorik von Personen mit Parkinson-Syndrom schnell und kostengünstig quantifiziert werden kann. Dazu wurden die Körperschwankungen von Versuchspersonen (PD Patienten und gesunde Versuchspersonen, engl.: Healthy Controls, HC) gemessen, während sie sich in einer Virtuellen Realität aufhielten. Ein speziell trainiertes neuronales Netzwerk konnte auf dieser Grundlage mit einer Wahrscheinlichkeit von > 98% Patienten und gesunde Kontrollprobanden korrekt klassifizieren (https://www.medrxiv.org/content/10.1101/2023.05.26.23289242v1). Mit Hilfe eines „explainable“-KI-Ansatzes (XAI, hier: GradCAM) konnte darüber hinaus herausgefunden werden, dass insbesondere hohe Frequenzen in den Körperschwankungen am deutlichsten zur Unterscheidung zwischen den beiden Gruppen beitragen.
Prof. Dr. Kerstin Volz - AG Struktur- und Technologieforschungslabor
Prof. Dr. Kerstin Volz Zeige Bild in voller Größe.
Wir setzen neuronale Netzwerke ein, um Elektronenstreudaten (CBEDs) aus Transmissions-Elektronen-Mikroskopen zu analysieren. Diese Netzwerke ermöglichen, basierend auf den gemessenen Mustern, die Vorhersage verschiedener Informationen über die untersuchten Proben, wie beispielsweise Probendicke, -verkippung und Materialzusammensetzung. Darüber hinaus werden zur Erklärung der getroffenen Vorhersagen die Netzwerke selbst mithilfe von Variational Autoencodern (VAEs) und der Grad-CAM-Methode analysiert. Perspektivisch ist das Ziel, direkt beim Messen am Mikroskop die Daten auszuwerten.Prof. Dr. Peter Lenz - AG Komplexe Systeme
Prof. Dr. Peter Lenz Zeige Bild in voller Größe.
In der AG Komplexe System wurde kürzlich ein neuartiges Machine Learning Verfahren entwickelt (SDCM: signal dissection by correlation maximization), mit dem sich korrelierte Cluster in 2-dimensionalen Daten entdecken lassen [Grau et al, Natur Comm 10: 5417 (2019)]. Anwendung findet dieses Verfahren bspw. in der Krebsforschung, in der Gen-Expressionsdaten unterschiedlicher Patienten miteinander verglichen werden.
Mit Hilfe von SDCM können jetzt Subklassen von Genen entdeckt werden, die sich in Subklassen von Patienten unterschiedlich verhalten. Diese Kombinationen von Genen werden auch als Signaturen bezeichnet und können dazu dienen, Subklassen von Krebsarten zu entdecken. Bei SDCM handelt es sich um ein unsupervised Verfahren, d.h. die Methode muss nicht angelernt werden, sondern entdeckt die Korrelationen selbständig. Entsprechend universell ist dieses Verfahren anwendbar, bspw. auf die Klassifizierung von Mikroplastik oder der Identifizierung von Molekülspektren.
Ein Testszenario ist in der folgenden Abbildung dargestellt: 7 vorgegebene Signaturen (a) werden zu einer Matrix zusammengefügt, die nach Durchpermutation der Zeilen und Spalten und Hinzufügen von Rauschen wie in (b) dargestellt aussieht. SDCM kann die zugrundeliegenden Signaturen aus dieser Matrix extrahieren (c). Dies geschieht sequentiell, d.h. nach Entdecken einer Signatur, wird diese vom Ausgangssignal abgezogen und eine neuerliche Analyserunde liefert dann die nächste Signatur. Nach Entdeckung aller 7 Signaturen bleibt nur noch eine rauschbehaftete Matrix ohne Korrelationen übrig (d). Wie in (e) gezeigt, stimmen die identifizierten Signaturen praktisch zu 100% mit den Ausgangssignaturen überein.
Aber was „denkt“ eigentlich ChatGPT über den Studiengang Physik und KI?
Frage: Wie passt Physik und KI zusammen?
Stefan Dowiasch Zeige Bild in voller Größe
Antwort: Physik und Künstliche Intelligenz (KI) können auf verschiedene Arten zusammenpassen und sich gegenseitig ergänzen.
Erstens kann KI in der Physik eingesetzt werden, um komplexe Datenanalyse und Modellierung durchzuführen. KI-Algorithmen können große Mengen an Daten analysieren, um Muster und Zusammenhänge zu erkennen, die in der Physik relevant sein können. Zum Beispiel können KI-Techniken in der Astrophysik verwendet werden, um Daten aus Weltraumbeobachtungen zu analysieren und neue Erkenntnisse über das Universum zu gewinnen.
Zweitens kann KI dazu beitragen, physikalische Experimente zu optimieren und zu beschleunigen. Durch maschinelles Lernen können Algorithmen Muster und Zusammenhänge in großen Datensätzen erkennen und so Experimente effizienter gestalten. Dies kann zu einer Beschleunigung des Forschungsprozesses führen und neue Erkenntnisse in der Physik ermöglichen.
Drittens kann KI in der Physik zur Modellierung und Simulation von komplexen Systemen eingesetzt werden. KI-Algorithmen können verwendet werden, um Modelle zu entwickeln, die das Verhalten physikalischer Systeme vorhersagen, wie beispielsweise das Wetter oder das Verhalten von Materie auf atomarer Ebene. Dies ermöglicht es Physikern, neue Erkenntnisse zu gewinnen und komplexe Phänomene besser zu verstehen.
Zusammenfassend lässt sich sagen, dass KI in der Physik vielfältige Anwendungen hat, angefangen bei der Datenanalyse und Modellierung bis hin zur Optimierung von Experimenten. Die Kombination von Physik und KI eröffnet neue Möglichkeiten für die Erforschung und das Verständnis der Naturgesetze und trägt zur Weiterentwicklung beider Bereiche bei.
