KI-Methoden nach dem Vorbild der Natur

Wie in der Natur entstehen auch in der digitalen Welt die effizientesten Lösungen durch Evolution. Forschende der Justus-Liebig-Universität Gießen haben einen neuen Weg zur technischen Optimierung komplexer optischer Nanostrukturen mit Künstlicher Intelligenz präsentiert. Dabei erzeugt die KI einerseits durch einen Evolutionsprozess selbst ihre eigene Architektur passend zur Fragestellung. Andererseits verbessert sie durch wiederholten Erkenntniszuwachs die eigene Vorhersagekraft. Das Ergebnis sind kompakte, hocheffiziente neuronale Netze, die bei der Entwicklung optischer Nanostrukturen (Metaoberflächen) mit herkömmlichen, massiveren KI-Modellen mithalten oder diese sogar übertreffen können.

„Gol­de­ner Weg“ der Neuro­Evo­lu­tion eines KI-Modells für die ef­fi­zien­te De­sign­opti­mie­rung von Meta­ober­flä­chen (künst­le­ri­sche Dar­stel­lung)

Quelle: A. Rahimi-Iman, JLU

Die Gestaltung von chiralen Metaoberflächen – winzige, nanostrukturierte Bauteile, die Licht auf besondere Weise manipulieren können – ist eine hochkomplexe Aufgabe. Solche „flachen Optiken“ sind entscheidend für die Weiterentwicklung der Photonik, von biomedizinischer Diagnostik bis hin zur lichtgestützten Informationsverarbeitung. Wenn man diese Oberflächen in einen optischen Sensor einbaut, könnte so ein Sensor zum Beispiel bestimmte Veränderungen in einer Flüssigkeit – etwa einer Blutprobe – erkennen, indem er misst, wie sich das Licht verändert, wenn es die Oberfläche berührt. Auf Metaoberflächen basierende chirale Spiegel könnten beispielsweise in optischen Bauteilen Licht gezielt in eine rotierende Form bringen. Das eröffnet neue Möglichkeiten für die sichere Quantenkommunikation und kontrastreiche Bildaufnahmen.

Bisher mussten Forschende die Architektur der KI-Modelle, die bei der Suche nach den optimalen Strukturen helfen, händisch entwerfen. Das ist zeitaufwendig und führt oft zu überdimensionierten Modellen, die unnötig viel Rechenleistung verbrauchen. In ihrer Studie präsentieren Nachwuchsforscher Davide Filippozzi und Arbeitsgruppenleiter Arash Rahimi-Iman vom I. Physikalischen Institut der JLU einen neuen Ansatz: den Einsatz von „NeuroEvolution“. Anstatt die Struktur des neuronalen Netzes – die Anzahl der Neuronen und deren Verbindungen – vorzugeben, lassen die Forscher die KI durch einen biologisch inspirierten Prozess entwickeln.

Mithilfe des NEAT-Algorithmus (NeuroEvolution of Augmenting Topologies) „züchtet“ das System die ideale Architektur für die jeweilige Aufgabe. Das Netzwerk passt sich wie ein Organismus an seine Umwelt an. Um die Effizienz zu steigern, kombinierten die Forschenden die Evolution mit einem speziellen Lernverfahren. Dieses Verfahren vergrößert nach und nach das Wissen der KI über die möglichen Lösungen und optimiert gleichzeitig die inneren Einstellungen des Netzwerks bis ins kleinste Detail.

Mehr zum Thema

12.08.2026 • Nachricht • Forschung

Interaktive Photonik mit Metaoberflächen

11.08.2025 • Nachricht • Forschung

Chirale Metaoberflächen verschlüsseln Geheimbotschaften

26.05.2025 • Nachricht • Forschung

Gezielt schwimmen ohne Hirn

27.06.2023 • Nachricht • Forschung

Dünne Metaoberflächen statt dicker Linsen

05.06.2023 • Nachricht • Forschung

Höhere Harmonische per Fanoeffekt

Marie Braasch und Sina Saravi • 5/2026 • Seite 32

Intelligenz durch Interferenz

bdquo;Nachdem NeuroEvolution datengestützt ein geeignetes Neuronennetz erschaffen hat, schicken wir es über fünfzehn Epochen durch einen Lernprozess, um es für dessen Aufgabe zu trainieren – ähnlich dem Schulleben eines heranwachsenden Menschen“, erläutert Rahimi-Iman, der mit seinem Team diese kombinierte Methodik erforschte. Filippozzi ergänzt: „Durch die Kombination von Netzwerkevolution und einer feedbackorientierten Lernstrategie können wir die Schwächen rein genetischer Algorithmen ausgleichen und ihre Stärken – nämlich das Erzeugen kompakter und kompetenter Modelle – voll ausnutzen.“

Das Ergebnis dieser hybriden Strategie: Die durch Evolution entstandenen Modelle sind deutlich schlanker und sparsamer als herkömmliche, dicht vernetzte Netze. Dennoch erreichen sie eine vergleichbare oder sogar bessere Genauigkeit bei der Vorhersage der optischen Eigenschaften von Nanostrukturen. Sie vermeiden das Problem unnötiger Verbindungen und sind dadurch extrem ressourceneffizient.

Die Bedeutung dieser Methode reicht weit über das aktuelle Design von Metaoberflächen und Metamaterialien hinaus. Die kompakten Modelle können praktisch mittels „Transfer Learning“ von computergestützten Simulationen direkt auf reale experimentelle Messdaten übertragen werden. „Langfristig könnte dieser Ansatz einen Baustein für die agentische KI liefern – also KI-Systeme, die als autonome Assistenten in automatisierten Laboren agieren können“, so Rahimi-Iman. [JLU / dre]