Science in silico 2.0. How the combination of computer simulation and machine learning transforms science
Die heutige Wissenschaft verlässt sich zunehmend auf Computer (in silico), um alle Arten von Phänomenen zu untersuchen, von der Wundheilung über das Wetter bis hin zum Verkehr in einer Stadt. Lange Zeit war die computergestützte Methode die Computersimulation. Während der Versuch, die Dynamik von Systemen wie der Erdatmosphäre nachzuvollziehen, zunächst umstritten war, hat sich die Computersimulation inzwischen als eine Methode etabliert, die gut verstanden ist.
In den letzten Jahren ist jedoch aufgrund des Aufkommens des Maschinellen Lernens (ML) eine neue Dimension der „Computerisierung“ erreicht worden. Maschinelles Lernen unterscheidet sich von der Computersimulation, da es sich nicht auf frühere Modelle und Theorien über die Welt stützt, die im Computer implementiert wurden. Vielmehr werden die Regeln oder Prinzipien, die in der Maschine wirken, aus Daten gelernt. Während viele Methoden des Maschinellen Lernens lokale und spezifische Aufgaben wie das Erkennen von Krankheiten oder das Erkennen von Formen adressieren, hat das Maschinelle Lernen auch begonnen, die Modellierungspraxis zu verändern, da es in Computersimulationen integriert oder mit ihnen kombiniert wird. An diesem Punkt hat das Maschinelle Lernen einen tiefgreifenden Einfluss auf die Wissenschaft.
Dr. Beisbart zielt mit diesem Projekt darauf, die Kombination von Computersimulation und Maschinellem Lernen in der zeitgenössischen Wissenschaft aus philosophischer Perspektive zu untersuchen. Dabei werden die Vor- und Nachteile verschiedener Arten von Hybriden zwischen Computersimulationen und Maschinellem Lernen herausgearbeitet und die Konsequenzen der Kombination für die wissenschaftliche Methodik nachvollzogen. Zu diesem Zweck werden zunächst Computersimulationen und ML-Modelle verglichen und hinsichtlich entscheidender epistemischer Merkmale, wie Zuverlässigkeit und Opazität, bewertet. Anschließend wird untersucht, wie die beiden Methoden auf verschiedene Weise kombiniert, integriert und vermischt werden können und wie ihre jeweiligen epistemischen Eigenschaften die neuen Hybride prägen.
Die theoretischen Ergebnisse werden mit zwei Fallbeispielen aus der wissenschaftlichen Praxis konfrontiert.
In der ersten Fallstudie wird der Einsatz von ML-Methoden in der Klimawissenschaft betrachtet, die eine lange Tradition physikbasierter Simulationen hat.
In der zweiten Fallstudie wird die Anwendung von AlphaZero auf wissenschaftliche Optimierungsprobleme untersucht. AlphaZero wurde ursprünglich für Spiele entwickelt und verbindet stochastische Simulation und Reinforcement Learning.
Die Diversität der beiden Fallstudien soll sicherstellen, dass die theoretischen Ergebnisse ausreichend in der wissenschaftlichen Praxis verankert sind.
Das Projekt ist aktuell, da die Integration von Computersimulation und Maschinellem Lernen in die Wissenschaft ein Trend ist, der sich wahrscheinlich fortsetzen und die wissenschaftliche Methodik und die Wahrnehmung von Wissenschaft verändern wird. Darüber hinaus bringt die Integration auch Herausforderungen mit sich, da die Risiken und unbeabsichtigten Folgen der Kombination von Computersimulation und Maschinellem Lernen noch nicht absehbar sind. Es ist daher wichtig, diese Tendenz aus der Perspektive der Geisteswissenschaften und der Philosophie zu verstehen und kritisch zu reflektieren. Schließlich kann eine philosophische Betrachtung sich auch auf die öffentliche Wahrnehmung der Wissenschaft im weiteren Sinne auswirken und Ängste, aber auch übertriebene Erwartungen hinsichtlich der Künstlichen Intelligenz korrigieren.