Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-28T19:07:17Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Physik und Künstliche Intelligenz - Physik =

{{BR}}
= Einleitung =

[[Physik]] beschreibt Naturvorgänge durch [[Messung|Messungen]], Modelle und überprüfbare Gesetze. [[Künstliche Intelligenz]] kann große Datenmengen durchsuchen, Muster erkennen und Vorhersagen berechnen. Zusammen bilden Physik und KI ein leistungsfähiges Werkzeug: Die Physik stellt Fragen und Randbedingungen, die KI unterstützt bei der Auswertung.

Dieser aiMOOC zeigt Dir, wie [[Maschinelles Lernen]] in der Physik eingesetzt wird. Du lernst einfache mathematische Grundlagen kennen, untersuchst Anwendungen aus [[Teilchenphysik]], [[Astrophysik]], [[Klimaphysik]] und Experimenten und beurteilst Chancen sowie Grenzen.

[[Datei:Artificial neural network.svg|500px|rahmenlos|center]]
''Ein künstliches neuronales Netz verarbeitet Eingaben über verbundene Schichten zu einer Ausgabe.''

{{#ev:youtube| https://www.youtube.com/watch?v=sDt5bTQBJis |500|center}}

{{BR}}
= Lernziele =

Nach der Bearbeitung kannst Du erklären, welche Rolle Daten, Modelle und physikalische Gesetze in KI-Systemen spielen. Du kannst einen einfachen Lernprozess beschreiben, typische Anwendungen nennen, Ergebnisse kritisch prüfen und ein kleines Projekt mit Messdaten planen.

{{BR}}
= Was verbindet Physik und KI? =

{{BR}}
== Physik liefert Daten und Gesetze ==

Physikalische Erkenntnisse entstehen durch das Zusammenspiel von [[Experiment]], [[Theorie]] und [[Simulation]]. Sensoren messen beispielsweise Zeit, Temperatur, Lichtintensität, Beschleunigung oder Energie. Messwerte enthalten aber immer [[Messunsicherheit|Unsicherheiten]] und manchmal Störungen.

Physikalische Gesetze helfen bei der Kontrolle: Ein Ergebnis muss nicht nur statistisch gut aussehen, sondern auch zur Natur passen. Eine vorhergesagte Geschwindigkeit darf zum Beispiel nicht ohne Begründung Naturgesetze verletzen.

{{BR}}
== KI erkennt Muster ==

Ein KI-Modell erhält Beispiele und passt dabei veränderbare Parameter an. Beim [[Überwachtes Lernen|überwachten Lernen]] sind zu den Eingaben bereits richtige Zielwerte oder Klassen bekannt. Das Modell lernt etwa, in Messkurven bestimmte Signale von Hintergrundrauschen zu unterscheiden.

KI „versteht“ ein Experiment nicht automatisch wie ein Mensch. Sie berechnet Beziehungen in Daten. Deshalb bleiben eine klare Fragestellung, gute Messungen und die physikalische Interpretation unverzichtbar.

{{BR}}
= Vom Messwert zum KI-Ergebnis =

Der typische Arbeitsweg lässt sich in fünf Schritte gliedern:

# [[Datenerfassung]]: Sensoren oder Simulationen liefern Messwerte.
# [[Datenbereinigung]]: Fehlerhafte, unvollständige oder unplausible Werte werden geprüft.
# [[Training]]: Das Modell passt seine Parameter an Beispieldaten an.
# [[Validierung]]: Unbekannte Testdaten zeigen, ob das Modell verallgemeinert.
# [[Interpretation]]: Das Ergebnis wird mit Theorie, Einheiten und Unsicherheiten verglichen.

[[Datei:Linear regression.svg|500px|rahmenlos|center]]
''Bei einer linearen Regression wird eine Gerade so an Messpunkte angepasst, dass sie deren Zusammenhang möglichst gut beschreibt.''

{{BR}}
== Ein einfaches mathematisches Modell ==

Eine lineare Vorhersage kann so geschrieben werden:

<math>\hat{y}=w x+b</math>

Dabei ist <math>x</math> die Eingabe, <math>\hat{y}</math> die Vorhersage, <math>w</math> eine Gewichtung und <math>b</math> eine Verschiebung. Beim Training werden <math>w</math> und <math>b</math> so verändert, dass Vorhersage und Messwert möglichst nahe beieinanderliegen.

Ein häufig verwendetes Fehlermaß ist der mittlere quadratische Fehler:

<math>\mathrm{MSE}=\frac{1}{n}\sum_{i=1}^{n}\left(y_i-\hat{y}_i\right)^2</math>

Große Abweichungen zählen dabei besonders stark. Ein kleiner Fehler auf Trainingsdaten allein genügt jedoch nicht. Das Modell muss auch bei neuen Daten zuverlässig sein.

{{BR}}
= Anwendungen in der Physik =

{{BR}}
== Teilchenphysik und große Detektoren ==

Am [[Large Hadron Collider]] entstehen bei Teilchenkollisionen sehr viele Detektorsignale. KI-Verfahren können Ereignisse vorsortieren, Teilchenspuren rekonstruieren und seltene Muster von häufigem Hintergrund unterscheiden. Die endgültige wissenschaftliche Aussage benötigt trotzdem statistische Prüfungen und physikalische Modelle.

[[Datei:CERN LHC CMS 13.jpg|500px|rahmenlos|center]]
''Der CMS-Detektor am CERN erfasst Signale, aus denen Physikerinnen und Physiker Teilchenkollisionen rekonstruieren.''

[[Datei:CMS Higgs-event.jpg|500px|rahmenlos|center]]
''Eine Ereignisdarstellung macht sichtbar, wie aus vielen Detektorsignalen ein physikalisch deutbares Kollisionsereignis wird.''

{{#ev:youtube| https://www.youtube.com/watch?v=kydM2E_K_kg |500|center}}

{{BR}}
== Astrophysik und Exoplaneten ==

Teleskope sammeln über lange Zeiträume Helligkeitswerte von Sternen. Zieht ein [[Exoplanet]] vor seinem Stern vorbei, kann dessen gemessene Helligkeit geringfügig sinken. Lernverfahren helfen, solche periodischen Transits in großen Datenbeständen zu finden. Anschließend müssen Forschende alternative Erklärungen ausschließen.

[[Datei:17-098-Kepler-90 MultiExoplanetSystem-20171214.jpg|500px|rahmenlos|center]]
''Das Planetensystem Kepler-90 wurde mit Daten des Weltraumteleskops Kepler untersucht; ein neuronales Netz half beim Auffinden eines zuvor übersehenen Signals.''

{{#ev:youtube| https://www.youtube.com/watch?v=YoADOekhEhM |500|center}}

{{BR}}
== Wetter, Klima und Strömungen ==

Atmosphäre und Ozeane sind komplexe physikalische Systeme. KI kann Berechnungen beschleunigen, Messlücken abschätzen oder Muster in Satelliten- und Wetterdaten erkennen. Für verlässliche Aussagen bleiben jedoch [[Thermodynamik]], [[Strömungsmechanik]], Erhaltungssätze und sorgfältige Unsicherheitsangaben wichtig.

{{BR}}
== Materialien, Bilder und Experimente ==

In der [[Festkörperphysik]] und [[Materialwissenschaft]] helfen Lernverfahren bei der Auswertung von Mikroskopbildern, Spektren und Materialeigenschaften. In Schullaboren kann KI Messkurven glätten, Schwingungsperioden erkennen oder Bewegungen aus Videos analysieren. Rohdaten sollten dabei erhalten bleiben, damit Bearbeitungsschritte nachvollziehbar sind.

{{BR}}
= Physik-informierte neuronale Netze =

Bei [[Physics-informed neural networks|physik-informierten neuronalen Netzen]] werden physikalische Gleichungen direkt in den Lernprozess eingebaut. Das Modell wird dann nicht nur für Abweichungen von Daten bestraft, sondern auch für Verletzungen vorgegebener Gesetze.

Vereinfacht gilt:

<math>L=L_{\mathrm{Daten}}+\lambda L_{\mathrm{Physik}}</math>

<math>L_{\mathrm{Daten}}</math> bewertet die Übereinstimmung mit Messwerten. <math>L_{\mathrm{Physik}}</math> bewertet die Einhaltung einer physikalischen Gleichung. Der Faktor <math>\lambda</math> legt fest, wie stark die physikalische Bedingung gewichtet wird.

[[Datei:Physics-informed nerural networks.png|500px|rahmenlos|center]]
''Physik-informierte Netze verbinden Datenlernen mit Gleichungen, Randbedingungen und Erhaltungssätzen.''

{{#ev:youtube| https://www.youtube.com/watch?v=KffYsBqrBVo |500|center}}

{{BR}}
= Chancen und Grenzen =

{{BR}}
== Chancen ==

KI kann sehr große Datenmengen schnell auswerten, schwache Muster entdecken und aufwendige Simulationen ergänzen. Sie kann außerdem neue Hypothesen anregen und Messgeräte in Echtzeit steuern. Besonders nützlich ist sie, wenn viele Beispiele vorliegen und die gesuchte Aufgabe klar definiert ist.

{{BR}}
== Überanpassung und Datenqualität ==

Ein Modell kann Trainingsdaten auswendig lernen, statt eine allgemeine Regel zu erfassen. Dieses Problem heißt [[Überanpassung]]. Es wird durch getrennte Trainings-, Validierungs- und Testdaten sowie durch einfache Vergleichsmodelle kontrolliert.

[[Datei:Overfitting.svg|500px|rahmenlos|center]]
''Bei Überanpassung folgt ein Modell den Trainingsdaten zu genau und versagt eher bei neuen Messwerten.''

Schlechte Messdaten führen nicht automatisch zu guten Ergebnissen. Sind bestimmte Situationen kaum vertreten, kann das Modell dort besonders unzuverlässig sein. Deshalb müssen Herkunft, Einheiten, Auflösung und Auswahl der Daten dokumentiert werden.

{{BR}}
== Unsicherheit, Erklärbarkeit und Verantwortung ==

Eine KI-Ausgabe ist keine Naturwahrheit. Physikalische Ergebnisse brauchen Fehlerabschätzungen, Vergleichsmessungen und reproduzierbare Verfahren. Forschende müssen außerdem prüfen, ob ein Modell nur eine Korrelation findet oder einen physikalisch begründbaren Zusammenhang abbildet.

Rechenzentren und große Modelle benötigen Energie und technische Ressourcen. Bei der Auswahl eines Verfahrens sollten daher Genauigkeit, Nachvollziehbarkeit und Aufwand gemeinsam betrachtet werden.

{{BR}}
= Historischer Bezug: Nobelpreis für Physik 2024 =

Der [[Nobelpreis für Physik]] 2024 ging an [[John Hopfield]] und [[Geoffrey Hinton]] für grundlegende Arbeiten, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen. Die Auszeichnung verdeutlicht, dass Konzepte aus statistischer Physik und Informationsverarbeitung die Entwicklung moderner Lernverfahren stark geprägt haben.

[[Datei:Hopfield Hinton Nobel Prize in Physics 2024.png|500px|rahmenlos|center]]
''John Hopfield und Geoffrey Hinton, Nobelpreisträger für Physik 2024.''

{{#ev:youtube| https://www.youtube.com/watch?v=SBGG4WNweEc |500|center}}

{{BR}}
= Beispiel für den Unterricht: Schwingung auswerten =

Du filmst ein Fadenpendel und bestimmst für mehrere Zeitpunkte seine Position. Ein einfaches Programm oder KI-Werkzeug kann Umkehrpunkte finden und daraus die Periodendauer schätzen. Danach vergleichst Du das Ergebnis mit

<math>T=2\pi\sqrt{\frac{l}{g}}</math>.

Dabei ist <math>T</math> die Periodendauer, <math>l</math> die Pendellänge und <math>g</math> die Fallbeschleunigung. Abweichungen können durch Reibung, ungenaue Längenmessung, Perspektive oder eine zu große Auslenkung entstehen. Das Beispiel zeigt: Die KI unterstützt die Datenauswertung, aber die Physik erklärt das Ergebnis.

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Welche Aufgabe übernimmt KI häufig in physikalischen Messdaten?'''
(Sie erkennt Muster und berechnet Vorhersagen)
(!Sie ersetzt alle physikalischen Gesetze)
(!Sie beseitigt jede Messunsicherheit)
(!Sie macht Experimente grundsätzlich überflüssig)

{{E}}
<br>

{{MC}}

'''Was sind Trainingsdaten?'''
(Beispiele, an denen ein Modell seine Parameter anpasst)
(!Nur die endgültigen Forschungsergebnisse)
(!Zufällige Zahlen ohne Bedeutung)
(!Ausschließlich fehlerfreie Naturgesetze)

{{E}}
<br>

{{MC}}

'''Wozu dienen Testdaten?'''
(Sie prüfen das Modell an zuvor unbekannten Beispielen)
(!Sie werden zum Auswendiglernen verwendet)
(!Sie ersetzen die Messgeräte)
(!Sie verändern automatisch die Naturkonstanten)

{{E}}
<br>

{{MC}}

'''Was bedeutet Überanpassung?'''
(Ein Modell passt zu stark zu den Trainingsdaten)
(!Ein Sensor misst überhaupt keine Werte)
(!Eine Gleichung besitzt zu wenige Einheiten)
(!Ein Experiment wird zu oft wiederholt)

{{E}}
<br>

{{MC}}

'''Welche Aussage beschreibt eine lineare Vorhersage?'''
(Eine gewichtete Eingabe wird um einen festen Wert verschoben)
(!Alle Messpunkte müssen identisch sein)
(!Die Vorhersage benötigt keine Parameter)
(!Nur gekrümmte Zusammenhänge sind möglich)

{{E}}
<br>

{{MC}}

'''Wie kann KI in der Teilchenphysik helfen?'''
(Sie kann Kollisionsereignisse vorsortieren und Spuren rekonstruieren)
(!Sie erzeugt neue Elementarteilchen ohne Experiment)
(!Sie ersetzt den Teilchendetektor)
(!Sie macht statistische Prüfungen unnötig)

{{E}}
<br>

{{MC}}

'''Woran kann ein Transit eines Exoplaneten erkennbar sein?'''
(An einer kleinen periodischen Abnahme der Sternhelligkeit)
(!An einer dauerhaften Verdopplung der Lichtgeschwindigkeit)
(!An einer Aufhebung der Gravitation)
(!An einer unveränderten Messkurve ohne Signal)

{{E}}
<br>

{{MC}}

'''Was ist das Besondere an physik-informierten neuronalen Netzen?'''
(Sie berücksichtigen physikalische Gleichungen im Lernprozess)
(!Sie arbeiten grundsätzlich ohne Daten)
(!Sie können keine Randbedingungen verwenden)
(!Sie ignorieren Erhaltungssätze absichtlich)

{{E}}
<br>

{{MC}}

'''Warum müssen KI-Ergebnisse physikalisch geprüft werden?'''
(Ein statistisches Muster kann unplausibel oder zufällig sein)
(!Jede KI-Ausgabe ist bereits ein Naturgesetz)
(!Einheiten spielen bei Vorhersagen keine Rolle)
(!Messfehler treten nur bei Menschen auf)

{{E}}
<br>

{{MC}}

'''Wer trägt Verantwortung für eine physikalische Aussage mit KI?'''
(Die Forschenden, die Daten, Modell und Ergebnis prüfen)
(!Nur der Computer)
(!Ausschließlich der Sensor)
(!Niemand, sobald das Training beendet ist)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Sensor || Wandelt eine physikalische Größe in ein Signal um
|-
| Trainingsdaten || Beispiele zum Anpassen eines Modells
|-
| Validierung || Prüfung mit getrennten Daten
|-
| Überanpassung || Zu starke Anpassung an bekannte Beispiele
|-
| Prognose || Berechnete Aussage über einen unbekannten Wert
|-
| Teilchendetektor || Erfasst Spuren und Energiedepositionen
|-
| Transitmethode || Erkennt Planeten über Helligkeitsabfälle
|-
| Erhaltungssatz || Physikalische Bedingung für ein Modell
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Arbeitsschritt
|-
| '''Datenerfassung'''
| Sensoren liefern Signale
|-
| '''Vorverarbeitung'''
| Messfehler und Ausreißer werden geprüft
|-
| '''Training'''
| Modellparameter werden angepasst
|-
| '''Validierung'''
| Unbekannte Daten testen die Übertragbarkeit
|-
| '''Interpretation'''
| Ergebnis wird mit Physik und Einheiten verglichen

|}
{{E}}

<br>
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Sensor || Welches Bauteil wandelt eine physikalische Größe in ein Signal um?
|-
| Modell || Wie heißt eine vereinfachte Darstellung eines Systems?
|-
| Training || Wie heißt die Phase, in der Parameter angepasst werden?
|-
| Prognose || Wie heißt eine berechnete Aussage über einen unbekannten Wert?
|-
| Teilchen || Was hinterlässt in einem Detektor eine messbare Spur?
|-
| Simulation || Wie heißt ein rechnerisch nachgebildeter Naturvorgang?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Physik+und+Künstliche+Intelligenz </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Physik gewinnt Erkenntnisse aus Messung, Theorie und { Experiment }. Ein KI-Modell passt beim Lernen veränderbare { Parameter } an. Unbekannte Testdaten prüfen die Fähigkeit zur { Verallgemeinerung }. Eine zu starke Anpassung an Trainingsbeispiele heißt { Überanpassung }. In der Teilchenphysik kann KI seltene Signale vom { Hintergrund } unterscheiden. Bei der Transitmethode wird eine kleine Änderung der { Sternhelligkeit } gesucht. Physik-informierte Netze beziehen zusätzlich physikalische { Gleichungen } ein. Jede Vorhersage muss zusammen mit ihrer { Unsicherheit } bewertet werden.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Begriffsnetz]]: Gestalte ein Begriffsnetz aus Physik, Messdaten, Modell, Training, Test und Vorhersage.
# [[Messreihe]]: Nimm zehn Messwerte zu einem einfachen Vorgang auf und beschreibe mögliche Fehlerquellen.
# [[Medienanalyse]]: Erkläre anhand eines Bildes aus dem aiMOOC, welche Daten dort entstehen und wozu KI dienen könnte.
# [[Erklärvideo]]: Produziere ein einminütiges Video zur Frage „Warum ersetzt KI keine physikalische Erklärung?“.

{{BR}}
=== Standard ===
# [[Pendelversuch]]: Filme ein Pendel, bestimme die Periodendauer mehrfach und vergleiche Mittelwert, Streuung und Formelwert.
# [[Datenvisualisierung]]: Zeichne Messpunkte und eine passende Ausgleichsgerade; diskutiere, welche Punkte besonders starken Einfluss haben.
# [[Modellvergleich]]: Vergleiche eine einfache physikalische Formel mit einer datenbasierten Vorhersage für denselben Vorgang.
# [[Interview]]: Befrage eine Person aus Physik, Technik oder Informatik zu Chancen und Grenzen von KI bei Messungen.

{{BR}}
=== Schwer ===
# [[Klassifikationsprojekt]]: Entwickle ein Regelwerk oder kleines Lernmodell, das zwei Arten von Messkurven unterscheidet, und teste es mit unbekannten Beispielen.
# [[Fehleranalyse]]: Verändere gezielt Messrauschen und untersuche, wann ein Modell unzuverlässig wird.
# [[Physik-informiertes Modell]]: Entwirf ein Konzept, bei dem eine Vorhersage zusätzlich einen Erhaltungssatz oder eine Bewegungsgleichung erfüllen muss.
# [[Forschungsdebatte]]: Plane eine strukturierte Debatte darüber, wann ein schnelles, aber schwer erklärbares Modell in der Physik eingesetzt werden sollte.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transfer auf ein neues Experiment]]: Du erhältst Temperaturdaten eines abkühlenden Körpers. Entwickle einen vollständigen Plan vom Sensor bis zur Prüfung einer KI-Prognose.
# [[Vergleich von Modellen]]: Erkläre, warum ein komplexes Modell mit kleinerem Trainingsfehler nicht automatisch die bessere wissenschaftliche Wahl ist.
# [[Plausibilitätsprüfung]]: Ein Modell sagt für einen fallenden Körper eine zunehmende Geschwindigkeit ohne Grenze voraus. Beurteile, unter welchen Bedingungen die Aussage brauchbar oder falsch sein kann.
# [[Datenkritik]]: Eine Trainingssammlung enthält fast nur Messungen bei Raumtemperatur. Analysiere die Risiken für Vorhersagen bei sehr niedrigen Temperaturen.
# [[Ursache und Korrelation]]: Entwickle ein Beispiel, bei dem zwei Messgrößen gemeinsam steigen, ohne dass die eine Größe die andere verursacht.
# [[Entscheidung unter Unsicherheit]]: Formuliere Kriterien, nach denen eine Physikgruppe entscheidet, ob ein KI-Ergebnis für eine Veröffentlichung ausreichend abgesichert ist.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen Lernnachweis solltest Du zeigen, dass Du den Weg von Messdaten zu einer geprüften Vorhersage erklären kannst. Wichtig sind ein korrekt verwendetes physikalisches Modell, nachvollziehbare Daten, eine Trennung von Training und Test, eine Fehler- oder Unsicherheitsanalyse sowie eine kritische Interpretation. Ein geeignetes Produkt ist beispielsweise ein Versuchsprotokoll mit Messreihe, Diagramm, Modellvergleich und begründetem Fazit.

<br>
<br>

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Maschinelles_Lernen </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Physik </iframe>

<br>

{{BR}}
= Verknüpfte Lernbereiche =

{| align=center
{{:D-Tab}}
'''[[Physik und Künstliche Intelligenz]]'''
# [[Messung]]
# [[Messunsicherheit]]
# [[Datenanalyse]]
# [[Maschinelles Lernen]]
# [[Neuronales Netz]]
# [[Regression]]
# [[Simulation]]
# [[Teilchenphysik]]
# [[Astrophysik]]
# [[Strömungsmechanik]]
# [[Wissenschaftliches Arbeiten]]
|}

[[Kategorie:Physik]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:Informatik]]
[[Kategorie:MINT]]
[[Kategorie:Schule]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Sekundarstufe II]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Physik und Künstliche Intelligenz - Physik - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt