Stellen Sie es sich so vor: Sie bringen einem Computer bei, vorherzusagen, wie sich Kugeln in einem industriellen Rotationstrichter bewegen. Sie starten die Simulation, und nach einer Weile behauptet das Modell, eine Kugel sei durch eine Wand gegangen oder bewege sich ohne jeden Grund immer schneller. Genau das passiert, wenn künstliche Intelligenz die Gesetze der Physik nicht kennt. Und genau das wollten Forschende der EPFL ändern.
Ein Team des Labors Intelligent Maintenance and Operations Systems (IMOS) an der École Polytechnique Fédérale de Lausanne entwickelte einen Algorithmus namens Dynami-CAL GraphNet, der im Februar 2026 in der renommierten Fachzeitschrift Nature veröffentlicht wurde. Das Ergebnis? Ein KI-Modell, das sich selbst nach Tausenden von Simulationen eisern an die Gesetze der Physik hält.
Warum herkömmliche KI die Physik ignoriert
Traditionelle KI-Modelle basieren auf Statistik. Sie lernen Muster aus Daten und extrapolieren diese anschließend. Physikalische Systeme unterliegen jedoch eigenen Regeln, deren Einhaltung die Statistik allein nicht garantieren kann. Fehler summieren sich Schritt für Schritt, wie ein Schneeball, der einen Hang hinunterrollt, und mit der Zeit zerfällt die Simulation in unsinnige Ergebnisse.
Auf der anderen Seite stehen klassische physikalische Modelle. Diese halten sich zwar perfekt an die Gesetze der Physik, sind aber rechnerisch enorm aufwendig. Tausende miteinander interagierende Teilchen in Echtzeit modellieren? Vergessen Sie es. Die Forschenden der EPFL suchten nach einem Mittelweg. Und sie fanden ihn im dritten Newtonschen Gesetz.
Das Newtonsche Gesetz direkt in der Netzwerkarchitektur
Jeder von uns kennt das dritte Newtonsche Gesetz aus der Schule: Jede Aktion erzeugt eine gleich große, aber entgegengesetzt gerichtete Reaktion. Wenn Sie gegen einen Ball treten, tritt der Ball zurück. Wenn ein Motor ein Auto vorwärts antreibt, strömen die Abgase nach hinten. Dieses Gesetz gilt universell, von Molekülen bis hin zu Industriemaschinen.
Dynami-CAL GraphNet integriert dieses Gesetz nicht als zusätzliche Bedingung, sondern direkt in die Struktur des Netzwerks. Der Algorithmus nutzt sogenannte graphbasierte neuronale Netze (GNN), bei denen Objekte die Knoten des Graphen und ihre wechselseitigen Interaktionen die Kanten bilden. Jede Kante erhält ein eigenes lokales Koordinatensystem, das antisymmetrisch ist. Das bedeutet: Wird die Richtung der Kante umgekehrt, wechseln alle Vektoren ihr Vorzeichen. Dadurch ist mathematisch gewährleistet, dass die Kräfte zwischen zwei Objekten stets gleich groß und entgegengesetzt gerichtet sind.
Das Ergebnis? Das Modell erhält sowohl den linearen Impuls als auch den Drehimpuls, selbst in Situationen, die es zuvor noch nie gesehen hat.
Von der Industrie bis zu Proteinen
Die Forschenden testeten den Algorithmus in vier sehr unterschiedlichen Szenarien, und die Ergebnisse sind beeindruckend.
Sie begannen mit granularen Systemen, also Tausenden von Kugeln, die sowohl miteinander als auch mit den Wänden eines rotierenden zylindrischen Mischers kollidieren. Das Modell erlernte das Verhalten des Systems anhand von nur fünf Simulationen mit 60 Kugeln in einem Behälter. Anschließend setzten sie es in einem Szenario mit mehr als 2.000 Kugeln in einem rotierenden Zylinder mit beweglichen Wänden ein. Dynami-CAL GraphNet bewältigte eine stabile Simulation über 16.000 Schritte, während Konkurrenzmodelle bereits nach den ersten Zyklen versagten.
Danach war die Bewegung des menschlichen Körpers an der Reihe. Der Algorithmus konnte den Gang eines Menschen allein anhand einfacher Bewegungsdaten vorhersagen, ohne dass ihm jemand mitgeteilt hätte, mit welcher Kraft der Fuß auf den Boden drückt. Er leitete es einfach selbst ab, weil die Physik fest in ihm verankert ist.
Und schließlich Proteine. Das Modell sagte erfolgreich geringfügige Verformungen von Proteinmolekülen in einer Lösung voraus, also Prozesse, die sich auf mikroskopischer Ebene abspielen. Derselbe Ansatz, ein völlig anderer Maßstab.
Ein bedeutender Durchbruch
Der Doktorand Vinay Sharma fasste es einfach zusammen: „Wir sind von einem Modell, das physikalisches Verhalten statistisch zu erraten versucht, zu einem Modell übergegangen, das von Grund auf darauf ausgelegt ist, sich daran zu halten.“
Diese Unterscheidung ist entscheidend. Dynami-CAL GraphNet bietet nämlich etwas, wozu die meisten KI-Modelle nicht in der Lage sind: Transparenz. Ingenieurinnen und Ingenieure können bei jedem Schritt überprüfen, ob das Modell den Impulserhaltungssatz korrekt einhält. Keine Blackbox, kein Rätselraten. Jede Zwischenberechnung ist physikalisch sinnvoll.
Der zweite große Vorteil? Das Modell lernt aus einer minimalen Datenmenge. Wenige Simulationen eines einfachen Systems genügen, und es kann auf komplexere Konfigurationen, größere Systeme und andere Bedingungen extrapolieren. Genau das braucht die Industrie, denn reale Messungen sind teuer und aufwendig.
Die Leiterin des Labors, Professorin Olga Fink, beschrieb es so: „Unser Modell generalisiert nicht nur, wendet das Gelernte also auf ähnliche Situationen an, sondern extrapoliert auch, sagt also zuverlässig Ergebnisse in Situationen voraus, die es noch nie gesehen hat. Und das ist etwas, worin maschinelles Lernen nur selten gut ist.“
Dynami-CAL GraphNet öffnet Türen zu Bereichen, in denen präzise und schnelle Simulationen physikalischer Systeme über Erfolg oder Misserfolg entscheiden. Robotik, Luftfahrtindustrie, Materialwissenschaften, Biomedizin. Überall dort, wo man wissen muss, wie sich Dinge bewegen, wie sie aufeinander einwirken und was in einer Stunde oder in einem Jahr geschehen wird.
Wenn die Physik direkt in die Struktur des Modells eingewoben ist, hört die Maschine auf zu raten und beginnt tatsächlich zu verstehen. Und genau in diese Richtung sollte sich die KI in der Wissenschaft entwickeln.
