„Eine für den Menschen leicht verständliche Gleichung, die mit den Gesetzen der Physik verbunden ist“.
„Künstliche Intelligenz und maschinelles Lernen (Machine Learning) sind Black Boxes, die das menschliche Verständnis nicht erhöhen“, erklärt Professor Markus Jochum, Dion Häfners Doktorvater und Koautor des Artikels, in einer Pressemitteilung. Aber in dieser Studie hat Dion Häfner KI eingesetzt, um einen riesigen Datensatz […] in eine Gleichung […] umzuwandeln, die für den Menschen leicht verständlich und mit den Gesetzen der Physik verknüpft ist.“
In dieser Studie wurden verschiedene Methoden der künstlichen Intelligenz verwendet. Die interessanteste ist die Methode der symbolischen Regression: Diese ist in der Lage, aus einem Satz von Eingabedaten eine Modellgleichung als Ausgabe zu liefern, wo herkömmlichere Algorithmen nur Vorhersagen machen können, ohne zu erklären, wie diese zustande kommt.
Durch die Analyse von über einer Milliarde Wellen war die Software also in der Lage, eine Gleichung zu liefern, die Forscher analysieren und in ihre zukünftige Forschung einbeziehen können, oder die zur Sicherung des Seeverkehrs verwendet werden könnte, indem sie das Auftreten solcher Wellen vorhersagt.
In der von der künstlichen Intelligenz gelieferten Gleichung (oben abgebildet) konnten Dion Häfner und seine Kollegen einige Komponenten mit bereits bekannten Ergebnissen abgleichen. Teil I der Gleichung ähnelt der Tayfun-Verteilung, einer Gleichung, die bisher zur Vorhersage von Scélétrate-Wellen verwendet wurde, aber weniger genau ist. Teil V wiederum erinnert an die Untersuchung von Flachwasserwellen, indem die Abhängigkeit von der relativen Wellenhöhe charakterisiert wird. Es gibt jedoch einige Komponenten, die noch unbekannt sind und daher interpretiert werden müssen, wie die Quadratwurzel (IV), die möglicherweise auf das Phänomen der brechenden Wellen (Wellen, die sich in einer Rolle bewegen) zurückzuführen ist.
Eine vielversprechende Technik, die auch in anderen Bereichen eingesetzt werden kann.
Der verwendete Algorithmus hat einen großen Vorteil: Es muss kein vorläufiges Modell als Input geliefert werden, um eine Gleichung als Output zu erhalten. Allerdings muss er alle Parameter angeben, die einen kausalen Zusammenhang mit dem untersuchten Phänomen haben, um das Erlernen trügerischer Korrelationen zu vermeiden. Die Bestimmung der kausalen Parameter kann bei bestimmten Phänomenen, wie z. B. Börsenschwankungen, die vielen äußeren Einflüssen unterliegen, kompliziert sein.
Auf die Frage, ob seine Methode auch in anderen Bereichen angewendet werden kann, erklärt Dion Häfner, dass dies möglich ist, wenn man einen qualitativ hochwertigen Datensatz zur Verfügung hat und das Problem auf eine Handvoll Parameter reduzieren kann. Diese Arbeit ebnet also den Weg für den Einsatz von KI in der Wissenschaft, um das Verständnis von bislang schwer erklärbaren Phänomenen zu unterstützen.
