BEIJING / LONDON (IT BOLTWISE) – Künstliche Intelligenz hat in der theoretischen Physik eine lang erwartete Hürde genommen: Eine KI namens Claude berechnete eine Sechs-Teilchen-Amplitude im planar N=4 Super-Yang-Mills bis zu neun Loops. Der Wissenschafts-Post beschreibt, wie das Team das Ergebnis mit dem Bootstrap-Ansatz und über einen indirekten Form-Factor-Weg gegenprüfte. Bemerkenswert ist vor allem der Ressourcenrahmen: Für die Bootstrap-Variante wurden laut Bericht Budget und Rechenzeit in einer Größenordnung genannt, die eher nach „machbar“ statt „unbezahlbar“ klingt. Für die Debatte um KI-Fortschritt verschiebt das den Eindruck, dass wirklich harte Forschung zwangsläufig an Computation-Grenzen scheitert.
Wer in der Teilchenphysik je versucht hat, neue theoretische Ergebnisse in eine überprüfbare Form zu bringen, kennt das Grundproblem: Scattering-Amplituden sind nicht „ein Modell“, sondern eine präzise Rechenvorschrift. Sie bestimmen, wie wahrscheinlich bestimmte Wechselwirkungen zwischen subatomaren Teilchen sind und werden damit zu einem zentralen Werkzeug, um Vorhersagen gegen Messungen großer Experimente wie des Large Hadron Collider zu halten. Genau an dieser Stelle setzt der Gastbeitrag von Matt von Hippel an: Er beschreibt eine Herausforderung an KI-Anbieter aus der eigenen früheren Domäne, der sogenannten Amplitudeologie, also der Entwicklung von Methoden, um diese Amplituden bis zu immer höheren Loop-Ordnung zuverlässig zu berechnen. Der Kern war dabei nicht nur das Ziel (neun Loops), sondern die Bedingung, dass es auf einem Budget und mit einem Rechenrahmen gelingen soll, wie ihn Hochschul-Teams typischerweise nutzen können.
Technisch geht es um die Frage, wie stark die Komplexität steigt, sobald man Schleifen höher schraubt. In der Praxis werden Amplituden fast immer mit Näherungen berechnet, wobei „loops“ die Zahl der erlaubten, immer feiner verzahnten Interaktionen zwischen Teilchen repräsentieren. Je mehr Loops, desto näher kommt man an den echten Wert, desto stärker wächst aber auch die Rechenlast. Im Bericht wird außerdem herausgestellt, dass die meisten Amplituden in der Realität nur bis zwei Loops bekannt sind, einzelne Beiträge bis drei; und selbst die weltweit bekannte Präzisionsarbeit aus der Wahrnehmung „draußen“ liegt bei fünf. Dass eine KI nun bis neun Loops vorstößt, wirkt daher nicht wie ein einfacher Skalierungseffekt, sondern wie ein Sprung in einen Bereich, in dem viele Projekte sonst lange an Iterationen, Fehlerjagd und Spezialtricks gebunden sind.
Im Mittelpunkt steht das gewählte Referenzmodell: planar N=4 Super-Yang-Mills mit sechs Teilchen und MHV-Konfiguration. N=4 Super-Yang-Mills ist für die reale Welt zwar nicht als Erklärung von Dunkler Materie oder dem Materie-Antimaterie-Ungleichgewicht gedacht; der Grund für die Wahl ist vielmehr, dass das Modell aufgrund einer feinen Balance im Feldinhalt paradoxerweise „leichter“ zu handhaben ist als generische reale Szenarien. Für die KI-Aufgabe wurden zwei Rechenwege explizit relevant: der Bootstrap-Ansatz für die direkte Amplitudenberechnung und eine indirekte Methode über den sogenannten Form-Factor. Der Form-Factor wird im Text als partielleres Objekt beschrieben, das am gleichen Loop-Niveau leichter zu bekommen ist, während die Amplitude selbst die eigentlich anspruchsvollere Zielgröße bleibt. Diese Trennung ist nicht nur akademische Kosmetik; sie entscheidet darüber, wie man Zwischenergebnisse strukturiert, validiert und letztlich zeigt, dass der „richtige“ Output wirklich konsistent ist.
Der berichtete Durchbruch wird damit zu einer Frage nach Software-Engineering und Verifikationsdisziplin. Im Umfeld der Herausforderung heißt es, dass Forschende mit dem Bootstrap prinzipiell nicht alle möglichen Interaktionen vollständig ausrechnen müssen, sondern das Ergebnis über eine Reihe von Konsistenzanforderungen einschränken. Der Ansatz wird bildhaft mit Sudoku verglichen: Man startet mit einer Menge prinzipieller Möglichkeiten, streicht nach und nach Unzulässiges und hofft, dass am Ende nur noch eine Variante alle Checks erfüllt. Für die KI bedeutet das: Sie muss nicht nur „irgendwie“ rechnen, sondern schrittweise eine Bibliothek von Regeln, Nebenbedingungen und Querverweisen so ausführen, dass am Ende das konsistente Symbol bzw. die Struktur stimmt. Genau diese Fragilität wird später im Addendum von Lance Dixon betont: Ein Fehler in der Rezeptur lässt das Gesamtsystem „zusammenstürzen“ wie ein Soufflé, und dann bleibt nur Debugging.
Was die Rückkopplung in die aktuelle KI-Debatte besonders stark macht, ist die im Text beschriebene Umsetzung mit einem KI-Science-Workflow und einem klaren Budgetrahmen. Laut von Hippel kontaktierten zwei Physiker bei Anthropic ihn Ende August, nachdem sie einen der Challenge-Punkte erfolgreich angegangen waren; nach Verifikation durch Lance Dixon erläuterten sie den Weg. Die Rechnung lief im Kontext von Claude Science und Fable 5.1, also einem Setup, bei dem Claude mit strukturierten Vorgaben und wissenschaftstauglichen Regeln in eine Art kontrollierten „Harness“ überführt wird. Der Text beschreibt, dass die KI mit einer simplen Aufgabenformulierung in den Batch-Modus geschickt und dann über mehrere Stunden-Zyklen zur Fortsetzung angewiesen wurde. Für den End-User werden als grobe Größenordnung „rund ein bis zwei tausend Dollar“ für beide Wege genannt, während die Bootstrap-Variante auch konkretisiert wird: etwa 96 CPUs über eine Woche, entsprechend einem Budget von ungefähr 100 US-Dollar, wobei hier SymPy als Programmiersprache und Rechenbibliothek im Spiel war.
Für die Einordnung ist auch relevant, dass die „menschliche“ Konkurrenz nicht stillsteht: Wenige Tage nach der Kontaktaufnahme von Hippel berichtete das Team um Song He von der chinesischen Akademie der Wissenschaften in Beijing, dass sie bereits große Teile des Ergebnisses vorliegen hatten und dafür KI-Unterstützung nutzten, die im Text mit GPT-6 in Verbindung gebracht wird. Gleichzeitig betont der Beitrag die wissenschaftliche Kooperationskultur: Lance, Song und ihre jeweiligen Teams sollen die Resultate veröffentlichen, weil die Erklärung der Details, die Einordnung in bestehende Literatur und die langfristige Debugging- und Validierungsfähigkeit Teil des eigentlichen Forschungswerts bleiben. Für Unternehmen und Entwickler heißt das zugleich: Der Nutzen entsteht nicht nur im „Output“, sondern in der Tatsache, dass solche Systeme überprüfbare Artefakte erzeugen können, die später in formale Werkzeuge und Publikationsprozesse eingebettet werden. Das senkt die Eintrittshürde für KI-gestützte Forschungsteams, weil die Validierung nicht komplett an Zufall oder Bauchgefühl hängt.
Was von Hippel daraus für die Zukunft ableitet, ist weniger ein „KI wird alles ersetzen“, sondern eine nüchterne Verschiebung der Erwartungskurve. Der Autor hatte gehofft, eine KI könne einen unerwarteten computationalen Engpass überwinden und so zeigen, dass ein grundsätzlich „teurer“ Grenzbereich doch nicht so hart ist, wie Experten ihn lange eingeschätzt hatten. Tatsächlich beschreibt er eher einen Erfolg mit bekannten Methoden, aber mit besserem Takt und mehr praktischer Rechenausnutzung: Python statt anderer Toolchains, saubereres Software-Engineering und eine Harness-Strategie, die Fehlerketten eindämmt. Der wichtigste Lernpunkt lautet daher: Es gibt mehr „Low Hanging Fruit“ in präzise definierten wissenschaftlichen Problemen, als viele außerhalb der Szene vermuten. Zugleich bleibt die offenste Frage, ob diese Muster auf die „realen“ Amplitudenfelder mit vielen konkurrierenden Gruppen, die jeweils um die neuesten Loop-Grenzen kämpfen, genauso gut übertragbar sind. Wenn KI dort tatsächlich zuverlässig weitere Loops erschließen kann, wird die Community nicht nur neue Resultate bekommen, sondern auch einen neuen Diskussionsmodus: Wo ist die nächste Front, und welche verifizierbaren Schritte müssen dafür als Nächstes gebaut werden?
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Claude berechnet neun Loops: KI knackt N=4-Super-Yang-Mills-Amplitude" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Claude berechnet neun Loops: KI knackt N=4-Super-Yang-Mills-Amplitude" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Claude berechnet neun Loops: KI knackt N=4-Super-Yang-Mills-Amplitude« bei Google Deutschland suchen, bei Bing oder Google News!