Maschinelles Lernen verstehen – eine physikalische Perspektive

Die Mitarbeiter*innen der Heidelberger Akademie der Wissenschaften (Landesakademie von Baden-Württemberg) sowie anderer deutscher Wissenschaftsakademien suchen den Dialog mit der Öffentlichkeit. Die folgenden Vorträge (Dauer jeweils ca. 45 Minuten) gewähren einen Einblick in die aktuellen Arbeiten verschiedener Forschungsstellen, die in der Regel über das Akademienprogramm gefördert werden. Das Akademienprogramm ist das größte geisteswissenschaftliche Forschungsprogramm Deutschlands und fördert über die acht Landesakademien der Wissenschaften in Deutschland, die sich zur Akademienunion zusammengeschlossen haben, aktuell 128 Forschungsprojekte.
Im Anschluss an den Vortrag besteht die Möglichkeit, im historischen Hofgarten der Akademie bei Brezel und Wein direkt mit den Wissenschaftlern und Wissenschaftlerinnen ins Gespräch zu kommen. Beginn ist jeweils 18:15 Uhr. Der Eintritt ist frei.
Die Vorträge finden in Kooperation zwischen der Akademie der Wissenschaften und der Volkshohschule statt. Algorithmen des maschinellen Lernens (ML) durchdringen zunehmend unser Leben. Sie sagen vorher, aber ihre Entscheidungen bleiben oft opak, d.h. unzugänglich oder unverständlich. Richtlinien und Experten fordern mehr Transparenz und Erklärungen, als seien ML-Algorithmen Kommunikationspartner. Wir betrachten sie als physikalische Systeme, die mit ihrer Umwelt interagieren. Dies öffnet neue Perspektiven für unser Verständnis: Maschinelles Lernen ist eine Art anpassungsfähiges Verhalten. Opakheit entsteht durch Komplexität, die je nach Abstraktionsebene reduziert werden kann oder nicht. Verständnis entsteht dann nicht durch mehr Transparenz oder Erklärungen, auch nicht durch weniger Komplexität, sondern durch einen sinnvollen Wechsel der Abstraktionsebene. Die physikalische Perspektive gibt auch Anstöße für eine neue Generation von KI: wenn ML-Algorithmen physikalische Systeme simulieren können, ist dies auch umkehrbar, und somit können physikalische Systeme neue Arten Künstlicher Intelligenz verkörpern.
Dr. Miriam Klopotek studierte Physik in Berlin und Tübingen und wurde 2021 an der Universität Tübingen promoviert. Seit 2022 ist sie Gruppenleiterin am Stuttgarter Zentrum für Simulationswissenschaften (Exzellenzcluster SimTech). Seit 2023 ist sie Co-Leiterin (mit Eric Raidl) des WIN-Projekts „Komplexitätsreduktion, Erklärbarkeit und Interpretierbarkeit“ der Heidelberger Akademie der Wissenschaften. Sie interessiert sich für die Wechselwirkungen und Analogien zwischen künstlicher Intelligenz und physikalischer Dynamik, speziell der, die kondensierte Materie zugrunde liegt.
PD Dr. Eric Raidl studierte Philosophie, Informatik und Mathematische Logik in Berlin und Paris. 2014 wurde er an der Universität Paris Sorbonne promoviert und 2022 an der Universität Konstanz habilitiert. Er arbeitete an der École Normale Superieure Paris, der Universität Konstanz, und am University College Freiburg. Seit 2019 ist er an der Universität Tübingen als Co-PI des Philosophy and Ethics Lab im Exzellenzcluster „Maschinelles Lernen für die Wissenschaft“ tätig. Seine Themenbereiche sind Erkenntnistheorie, Philosophie der Wissenschaft, Logik und KI.