KISS ermöglicht eine schnellere, flexiblere und effizientere Auswertung von Forschungsdaten auf Basis von KI-Simulationen. Unter der Leitung von Dr. Kai Zhou beteiligt sich das FIAS am Verbundprojekt „Künstliche Intelligenz zur schnellen Simulation von wissenschaftlichen Daten" (KISS), gefördert vom Bundesministerium für Bildung und Forschung (BMBF).

Simulationen spielen eine Schlüsselrolle für die wissenschaftliche Forschung - von der physikalischen Grundlagenforschung bis hin zu Anwendungsbereichen wie Biologie, Robotik oder Klimamodellierung. Besonders in der Hochenergie-Kernphysik im Bereich der „Erforschung von Universum und Materie“ (ErUM) sind Simulationen notwendig, die von einem detaillierten mathematischen Verständnis der grundlegenden physikalischen Prozesse ausgehen. Nur so können die physikalischen Ziele großer Infrastrukturen wie Hochenergiebeschleuniger erreicht werden, die besonders rechenintensiv, ressourcen- und zeitaufwendig sind. Mit dem Ausbau von Detektoren und Teleskopen stoßen die Rechenkapazitäten an ihre Grenzen. Daher ist die Steigerung der Effizienz der entsprechenden Simulationsalgorithmen von entscheidender Bedeutung für den erfolgreichen Betrieb dieser großen Hochenergieexperimente. Das Projekt KISS zielt auf KI-basierte Simulationsverfahren, die eine schnellere, flexiblere und effizientere Auswertung von Forschungsdaten ermöglichen als herkömmliche Methoden. Im Rahmen des Aktionsplans "ErUM-Data" fördert das BMBF die Forschung von Zhou in den kommenden drei Jahren mit 240.000 Euro. Neben der Arbeitsgruppe um Kai Zhou sind Teams aus Hamburg, Dortmund, Dresden, Göttingen, Heidelberg und München beteiligt. Als Teil von KISS entwickelt das FIAS-Team kreative KI-Modelle, die klassische detaillierte Modellierungen von Schwerionenkollisionen ersetzen und beschleunigen. Dazu zählen etwa die hochauflösenden Detektorsimulationen (Geant4) für Experimente wie „Compressed Baryonic Matter“ (CBM) an GSI/FAIR oder „A large Ion collider Experiment“ (ALICE) am CERN. Zhous Gruppe erforscht moderne kreativ gestaltende Modelle wie "Generative Adversarial Networks" (GANs), "Variational Autoencoders" (VAEs), "Normalizing Flows" (NFs) und "Diffusion Models" (DMs) und erstellt die jeweilige Simulationsaufgabe. Diese Entwicklungen können den enormen Rechen- und Speicherbedarf in den Phasen der physikalischen Erkundung und der Datenerfassung in Experimenten weitgehend auffangen. Solche Prozesse lassen sich auch auf andere wichtige Anforderungen in Gesellschaft und Industrie übertragen, etwa die Klimamodellierung und -vorhersage, Robotersimulationen, den Entwurf von 3D-Prototypen in der Industrie. Zwei bereits erfolgreiche und beliebte allgemeine Anwendungen für diese Art von generativen KI-Modellen sind ChatGPT und DALL-E2.