Die Schnittstelle zwischen Physik, Mathematik und KI wird immer produktiver

Logistik kann ein logistischer Albtraum sein, bei dem kleine Pannen grosse Auswirkungen haben können. Betrachten wir zum Beispiel den COVID-Impfstoff: Der mRNA-basierte Impfstoff, der während der Pandemie in Rekordzeit entwickelt wurde, musste gekühlt werden und war daher auf eine rigorose Kühlkette angewiesen. Einige Dosen durften nicht wärmer werden als -70 Grad, und eine einzige Temperaturänderung konnte eine ganze Charge unbrauchbar machen. Das war eine ziemliche Herausforderung: Schlechte Routenplanung, begrenzte Lagerkapazitäten für die extrem kalten Impfstoffe, Umverpackung und Versand grosser Mehrfachdosenampullen an Kliniken, die diese nicht rechtzeitig verwenden konnten, führten einerseits dazu, dass viel weggeworfen werden musste. Andererseits gab es dramatische Engpässe. Wie könnte man das durch eine bessere Planung dank einer intelligenten, robusten und anpassungsfähigen Logistikkette vermeiden?

Der Teilchenphysiker Nicola Serra von der Universität Zürich und der Mathematiker und Fields-Medaillengewinner Alessio Figalli von der ETH Zürich denken, dass sie eine Lösung gefunden haben könnten. Mit einem BRIDGE Discovery Grant in Höhe von 1,7 Millionen CHF vom Schweizerischen Nationalfonds und Innosuisse wollen sie die Bedingungen verbessern, unter denen beispielsweise Impfstoffe ihr Ziel erreichen. Dabei kommt eine neuartige Kombination aus einer mathematischen Methode, der sogenannten „Optimal Transport Theory“, und künstlicher Intelligenz zum Einsatz. Die Methode der KI stammt aus der Teilchenphysik und ermöglicht eine schnellere, effizientere und widerstandsfähigere Datenverarbeitung.

Wenn also das Kühlsystem eines Impfstoff-LKWs ausfällt oder die Nachfrage an einem unerwarteten Ort steigt, könnten Unternehmen mit Hilfe ihres Systems schnelle alternative Lösungen finden oder sogar vorhersagen, um einen Zusammenbruch der Lieferkette zu verhindern.

Wir haben mit Nicola Serra gesprochen, um mehr über das Projekt zu erfahren.

Frage: Sie kommen aus der Teilchenphysik, haben also schon mit Big Data zu winzigen Teilchen geforscht. Wie kam es zur Zusammenarbeit mit Alessio Figalli und was hat Sie dazu motiviert, Ihr physikalisches und mathematisches Wissen auf die „echte Welt” zu übertragen? Gab es einen bestimmten Moment oder Auslöser?

Nicola Serra: Alessio und ich haben 2022 im Rahmen eines Sinergia-Projekts mit Kolleg:innen aus den Bereichen Epidemiologie und Chemie an der Universität Zürich und der ETH Zürich begonnen, zusammenzuarbeiten. Diese Zusammenarbeit hat deutlich gemacht, dass es sehr wertvoll ist, bei der Bearbeitung von Problemen mit hohem Risiko strenge Mathematik mit maschinellem Lernen zu kombinieren. Parallel dazu haben wir im Austausch mit der Industrie immer wieder festgestellt, dass viele Entscheidungen in der realen Welt auf KI-Systemen beruhen, die entweder intransparent oder bei veränderten Bedingungen nicht robust sind. Das war für uns der Auslöser. Da ich aus der Teilchenphysik komme, wo riesige Datensätze, Unsicherheit und Echtzeitentscheidungen die Norm sind, wurde mir klar, dass viele der Werkzeuge, die wir am CERN verwenden, auf Probleme übertragen werden könnten, die die Gesellschaft direkt betreffen, wie beispielsweise die Logistik. Und Lieferketten sind ein gutes Beispiel für etwas, das man erst dann bemerkt, wenn Störungen einem plötzlich vor Augen führen, wie kritisch sie sind.

Frage: Können Sie in einfachen Worten erklären, was die optimale Transporttheorie ist und wie sie dabei hilft, den effizientesten Weg für den weltweiten Transport von Gütern und Ressourcen zu finden?

Nicola Serra: Die Theorie des „optimalen Transports” geht auf Gaspard Monge im 18. Jahrhundert zurück, der sich für sehr praktische ingenieurtechnische Probleme interessierte: Wie lassen sich Baumaterialien wie Erdhaufen oder Ziegelsteine mit möglichst geringem Aufwand von einem Ort zum anderen transportieren? Die moderne Theorie behält denselben Ansatz bei, verallgemeinert ihn jedoch erheblich. Sie bietet eine präzise Methode, um zwei Situationen zu vergleichen und den minimalen „Arbeitsaufwand” zu berechnen, der erforderlich ist, um die eine in die andere umzuwandeln.

In unserem Projekt nutzen wir diese Idee nicht, um Güter physisch zu transportieren, sondern um zu messen, wie stark die Realität von den Vorhersagen eines Modells abweicht. Dadurch erhält die KI ein zuverlässiges Signal, wann sie ihre Entscheidungen anpassen muss, was das System robuster macht, wenn sich die Bedingungen ändern.

Frage: Was ist eine typische Schwachstelle in der Lieferkette? Können Sie ein konkretes Beispiel nennen?

Nicola Serra: Eine typische Schwachstelle besteht darin, dass viele Lieferketten eher auf Effizienz als auf Widerstandsfähigkeit ausgelegt sind. Sie gehen davon aus, dass morgen alles so sein wird wie gestern. Sobald sich jedoch ein Element verändert – eine verspätete Lieferung, ein plötzlicher Nachfrageschub, eine neue Vorschrift oder sogar die Umstellung von Diesel- auf Elektro-Lkw –, kann das gesamte System in einen instabilen Zustand geraten. Ein konkretes Beispiel ist der Mangel an bestimmten pharmazeutischen Inhaltsstoffen während der Pandemie: Ein einziger gestörter Lieferant beeinträchtigte die nachgelagerte Produktion, den Vertrieb und letztlich den Zugang für Patienten und Patientinnen. Ähnliche Probleme treten im Güterverkehr auf, wenn eine wichtige Route blockiert oder überlastet ist, beispielsweise der Suezkanal.

Frage: Was sind „vereinfachte Simulationen” und wie lernt und passt sich das System in Echtzeit an veränderte Bedingungen in der Lieferkette an?

Nicola Serra: Eine vereinfachte Simulation ist ein schnelles, bewusst approximatives digitales Modell einer Lieferkette oder eines Logistiknetzwerks. Anstatt einen einzigen, extrem detaillierten „digitalen Zwilling” zu konstruieren, der kostspielig und dennoch nie ganz genau ist, erstellen wir viele vereinfachte Simulationen auf einmal, die jeweils eine andere plausible Situation widerspiegeln. Die KI lernt durch Training mit dieser ganzen Familie von Szenarien und entwickelt so Strategien, die nicht nur in einem perfekten Modell, sondern auch unter einer Vielzahl von realen Bedingungen effektiv bleiben. Anschliessend kombinieren wir diese Simulationen mit realen Daten und den oben beschriebenen Tools für den optimalen Transport, wodurch das System seine Entscheidungen anpassen kann, sobald sich die Realität zu verändern beginnt, ohne dass es von Grund auf neu aufgebaut werden muss.

Dieser Ansatz ist stark von der Teilchenphysik inspiriert, wo wir routinemässig ganze Reihen schneller Simulationen verwenden, um mögliche Detektorbedingungen oder seltene Ereignisse zu untersuchen, und diese dann mit realen Daten kalibrieren, um unsere Algorithmen robust zu machen.

Frage: Wie wird Ihr Ansatz die Art und Weise verändern, wie Unternehmen auf unerwartete Schwachstellen reagieren? Wie können die Unternehmen Zugang zu Ihrem Projekt erhalten?

Nicola Serra: Unser Ziel ist es, Unternehmen ein Entscheidungsinstrument an die Hand zu geben, das auch dann zuverlässig bleibt, wenn Störungen auftreten, die in den bisherigen Daten noch nie aufgetreten sind. Anstatt nach einer Krise zu reagieren, passt das System Transport-, Bestands- oder Beschaffungsentscheidungen an, sobald es feststellt, dass sich die Bedingungen ändern. Mehrere Unternehmen haben bereits Interesse bekundet, mit uns an Proof-of-Concept-Studien und Pilotprojekten zu arbeiten. Um die Technologie in die Praxis umzusetzen, ist es naheliegend, sie durch ein Spin-off weiterzuentwickeln. Ein zentrales Ziel des Projekts ist es, sicherzustellen, dass diese Lösung nicht nur für grosse Unternehmen, sondern auch für kleine und mittlere Unternehmen zugänglich ist.

Frage: Sehen Sie für die Zukunft weitere potenzielle Schnittstellen zwischen Physik, Mathematik und KI, die sich auf unser tägliches Leben oder die Wirtschaft auswirken könnten?

Nicola Serra: Ja. Die Schnittstelle zwischen Physik, Mathematik und KI wird immer produktiver. Die Teilchenphysik befasst sich seit langem mit riesigen Datensätzen, seltenen Ereignissen, Diskrepanzen zwischen Simulation und Realität und dem Bedarf an Algorithmen, die auch bei Unsicherheiten zuverlässig funktionieren. Genau das sind die Herausforderungen, denen sich viele Branchen derzeit gegenübersehen. Methoden wie generative Modellierung, robuste Optimierung und graphische neuronale Netze haben sich bereits in Bereichen wie Gesundheitswesen, Transport und Energie als leistungsstark erwiesen. Ich gehe davon aus, dass diese interdisziplinären „Brücken“ weiter wachsen werden, da sie es uns ermöglichen, mathematisch solide, interpretierbare und skalierbare Werkzeuge in Bereiche zu bringen, in denen es um sehr konkrete Herausforderungen geht.

Ein Kollege sagte einmal (obwohl ich die ursprüngliche Quelle nicht mehr finden kann), dass die Thermodynamik als Werkzeug zur Verbesserung von Dampfmaschinen begann und, sobald ihre Prinzipien verstanden waren, dazu beitrug, Technologien zu ermöglichen, die den Menschen schliesslich zum Mond brachten. Das ist eine gute Erinnerung daran, dass Mathematik und Physik, wenn sie praktische Probleme lösen, oft unerwartete Wege in die Zukunft eröffnen.

Barbara Warmbein