In der modernen Schwerionenphysik gleicht die Suche nach seltenen Teilchen dem Versuch, eine Nadel in einem Heuhaufen zu finden – nur dass der Heuhaufen aus Milliarden Teilchenspuren besteht, die in Bruchteilen von Sekunden entstehen und vergehen. Eine dieser Nadel-Suchen betreibt das HADES-Experiment am GSI Helmholtzzentrum in Darmstadt. Was diese Suche heute so erfolgreich macht? Künstliche Intelligenz.
Bei HADES – dem High-Acceptance Di-Electron Spectrometer – werden hochenergetische Kollisionen von Atomkernen untersucht. Dabei entstehen kurzlebige Teilchen, etwa seltsame Hadronen oder sogenannte Hyperkerne, die mindestens ein „seltsames“ Quark enthalten. Diese exotischen Zustände sind hochinteressant: Sie geben Hinweise auf das Verhalten von Materie unter extremen Bedingungen, wie sie etwa im Inneren von Neutronensternen oder unmittelbar nach dem Urknall herrschten. Doch die Signale dieser Zerfälle sind schwach – oft Millionen- oder Milliardenfach überlagert vom detektorischen Grundrauschen.
Genau hier kommt maschinelles Lernen ins Spiel. Statt auf klassische Methoden mit starren Auswahlkriterien zu setzen, nutzt das HADES-Team künstliche neuronale Netze. Diese lernen aus realen und simulierten Daten, wie bestimmte Zerfallsmuster aussehen – sie erkennen subtile, komplexe Korrelationen zwischen verschiedenen Messgrößen, die für den menschlichen Blick schwer fassbar sind. Das Modell, das sich dabei als besonders leistungsfähig erwiesen hat, ist ein sogenanntes Multi-Layer-Perceptron: ein tiefes neuronales Netz, das mehrere Verarbeitungsebenen durchläuft, um aus Rohdaten verlässliche Vorhersagen zu treffen.
Das Ergebnis ist messbar: Im Vergleich zu herkömmlichen Analysemethoden lassen sich mit dem trainierten Netzwerk deutlich mehr Zerfälle rekonstruieren – und das in einem größeren Energiebereich. Auch seltene oder ungewöhnlich gelagerte Prozesse, die zuvor unentdeckt blieben, können nun analysiert werden. Das bringt nicht nur bessere Daten – es erweitert auch das physikalische Verständnis. So werden etwa transversale Massenspektren, die Aufschluss über Temperatur, Dichte und Dynamik des Systems geben, präziser als je zuvor vermessen.
Doch der wissenschaftliche Nutzen geht weit über das konkrete Experiment hinaus. Die Methoden, die bei HADES entwickelt werden, stärken die Position der deutschen und europäischen Forschung im internationalen Wettbewerb – insbesondere in der Verbindung von physikalischer Grundlagenforschung und digitaler Datenanalyse. Gleichzeitig entstehen im Rahmen der Arbeiten neue Qualifikationsprofile: Junge Wissenschaftlerinnen und Wissenschaftler lernen nicht nur Teilchenphysik, sondern auch maschinelles Lernen auf hohem Niveau – ein Kompetenzmix, der zunehmend auch in Industrie, Medizintechnik und anderen datenintensiven Feldern gefragt ist.
Das Beispiel HADES zeigt eindrucksvoll, wie sich moderne KI-Verfahren und physikalische Forschung gegenseitig vorantreiben. Investitionen in Rechenleistung, Softwareentwicklung und Nachwuchsförderung sind damit nicht nur ein Beitrag zur wissenschaftlichen Exzellenz, sondern auch zur Innovationskraft Hessens. Wenn Künstliche Intelligenz hilft, das Unsichtbare sichtbar zu machen, dann nicht nur im Dienst der Physik – sondern auch im Dienst der Gesellschaft.