06.10.2026 · Signal Titans Editorial
Energielandschaften und zufällige Spins: Wie die Physik das neuronale Netz schuf
Wie theoretische Physik und die Mathematik der Spin-Gläser die Grundlagen für moderne künstliche neuronale Netze und maschinelles Lernen legten.
Im Jahr 1980 nahm der Theoretische Physiker John Hopfield eine Professur für Chemie und Biologie am California Institute of Technology an. Vor seinem Wechsel ans Caltech verbrachte Hopfield Jahre an den Bell Labs, wo er mit dem Theoretischen Physiker Philip Anderson zusammenarbeitete. Anderson erforschte ungeordnete magnetische Materialien, sogenannte Spin-Gläser, bei denen die magnetischen Momente oder Spins einzelner Atome in zufällige Richtungen zeigen, anstatt sich gleichmäßig auszurichten. Diese mikroskopische Unordnung erzeugte komplexe mathematische Instabilitäten, was Spin-Gläser zu einem notorisch schwierigen Thema in der Physik der kondensierten Materie machte. Hopfield nahm Andersons mathematische Beschreibungen darüber auf, wie diese widerstreitenden atomaren Spins unter physikalischen Bedingungen miteinander wechselwirken.
Energielandschaften als Speicherort
Am Caltech erkannte Hopfield, dass die Mathematik zur Beschreibung atomarer Spin-Wechselwirkungen eine fundamentale Frage der Intelligenz adressieren konnte: wie verteilte Netzwerke assoziative Erinnerungen abrufen. Die konventionelle Datenverarbeitung rief gespeicherte Informationen über feste numerische Adressen ab. Hopfield entwarf stattdessen ein Netzwerk künstlicher Neuronen, bei dem Erinnerungen über die Verbindungsstärken zwischen den Komponenten kodiert wurden. Er beschrieb den Abruf von Mustern mit dem Bild einer Kugel, die durch eine Landschaft aus Höhen und Tiefen rollt und durch Reibung verlangsamt wird. Wird dem Netzwerk ein unvollständiges oder verzerrtes Muster vorgelegt – vergleichbar mit dem Erkennen einer Person anhand eines Ausschnitts –, aktualisierte es seine Verbindungen iterativ, bis es in einem niederenergetischen Tal zur Ruhe kam und den vollständigen Erinnerungszustand erfolgreich rekonstruierte.
Von physikalischen Bahnen zu Wahrscheinlichkeiten
Geoffrey Hinton besuchte eine von Hopfields Vorlesungen über neuronale Netze und erkannte, dass sich die Architektur mithilfe der statistischen Physik erweitern ließ. Während Hopfields Netzwerk spezifische gespeicherte Zustände durch den Abstieg in energetische Täler abrief, suchte Hinton nach einem Mechanismus, um die breiteren statistischen Eigenschaften von Daten zu erlernen. Er ließ sich vom Physiker Ludwig Boltzmann aus dem 19. Jahrhundert inspirieren, dessen Arbeiten zur statistischen Mechanik die Wahrscheinlichkeit berechneten, mit der ein physikalisches System bei einer bestimmten Temperatur verschiedene Energiezustände einnimmt. In Zusammenarbeit mit Terrence Sejnowski und weiteren Forschern entwickelte Hinton die Boltzmann-Maschine. Anstatt isolierte Erinnerungen abzurufen, passte dieses Netzwerk seine Verbindungsstärken an, um die zugrunde liegende Wahrscheinlichkeitsverteilung eines Datensatzes zu erlernen. Als frühes generatives Modell konnte es wiederkehrende Merkmale erkennen, fehlende Details ergänzen und neue Musterinstanzen synthetisieren.
Die Anerkennung der Physik des maschinellen Lernens
Der konzeptionelle Sprung von den Gleichungen der Spin-Gläser und der Thermodynamik zum computergestützten Lernen benötigte Jahrzehnte, um zur breiten Anwendung zu reifen. Jahrelang galt die Überschneidung von Physik und künstlicher Intelligenz als Nischenfeld. Diese Sichtweise änderte sich im Oktober 2024 dramatisch, als die Königlich Schwedische Akademie der Wissenschaften den Nobelpreis für Physik an John Hopfield und Geoffrey Hinton verlieh. Das Nobelkomitee würdigte ihre grundlegenden Entdeckungen und Erfindungen, die das maschinelle Lernen durch künstliche neuronale Netze ermöglichten, und betonte, dass diese physikalischen Modelle in zahlreichen wissenschaftlichen Disziplinen unentbehrlich geworden seien – einschließlich der Physik der kondensierten Materie zur Entwicklung neuer Materialien mit gezielten atomaren Eigenschaften.
Die Verbindung von Thermodynamik und moderner Informatik
Der interdisziplinäre Transfer der Spin-Glas-Physik und der statistischen Mechanik des 19. Jahrhunderts bildete das strukturelle Fundament moderner Systeme der künstlichen Intelligenz. Heute treiben die von Hopfield erstmals kartierten Energielandschaften und die von Hinton formulierten probabilistischen Maschinen jene Rechenwerkzeuge an, die natürliche Sprache verarbeiten, komplexe Proteinstrukturen vorhersagen und verborgene statistische Muster in riesigen wissenschaftlichen Datensätzen aufdecken.
KI-generierte redaktionelle Illustration; kein Dokumentarfoto.
SIGNAL TITANS