KI-Modelle entwickeln eigene Werkzeuge für die Quantenchemie, um Rechenkosten zu senken

Wenn man heute ein Sprachmodell für eine neuartige Quantendynamik-Simulation einsetzen möchte, muss man normalerweise darauf warten, dass ein Mensch die entsprechende Software schreibt. Physik-Bibliotheken wie OpenFermion oder PennyLane sind zwar leistungsfähig, aber in ihrer Entwicklung starr. Stößt eine KI auf eine molekulare Struktur, die eine mathematische Funktion außerhalb ihrer vorprogrammierten Umgebung erfordert, kommt sie schlichtweg nicht weiter.

Ein Team um die Forscher Zijian Zhang, Ignacio Gustin und Alán Aspuru-Guzik hat dafür eine Lösung entwickelt. Ihr Framework, El Agente Forjador (Der Schmiede-Agent) genannt, zwingt die KI dazu, ihre eigenen Python-Werkzeuge von Grund auf zu schreiben, auszuführen und zu debuggen. Dies markiert den Wandel von der Betrachtung von Code als statische Abhängigkeit hin zu einer dynamisch generierten Lieferkette.

Die Python-Feedbackschleife

Herkömmliche agentenbasierte Workflows betrachten vorhandene Software als starre Grenze. El Agente Forjador betrachtet sie lediglich als Entwurf. Das System arbeitet in einer vierstufigen Schleife: Analyse, Generierung, Ausführung und Evaluierung.

Wird dem Agenten ein wissenschaftliches Problem gestellt, analysiert er die mathematischen Anforderungen und schreibt ein individuelles Python-Skript zur Lösung. Anschließend führt er den Code aus. Wenn die Ausgabe die Simulationsparameter nicht erfüllt, liest der Agent die Fehlermeldung, debuggt sein eigenes Skript und iteriert, bis die physikalischen Bedingungen erfüllt sind.

Die Forscher testeten diesen autonomen Zyklus an 24 verschiedenen Aufgaben aus den Bereichen Quantenchemie und Molekulardynamik. Modelle, die diese selbstschmiedende Schleife nutzten, übertrafen durchweg die Basissysteme, die gezwungen waren, komplexe chemische Probleme ohne die Fähigkeit zur Erstellung eigener Toolsets zu lösen.

Subunternehmertum bei der Rechenkostensteuer

Das faszinierendste Detail der Forschung ist nicht die Automatisierung selbst, sondern die Ökonomie der Rechenleistung. Das Ausführen von Spitzenmodellen wie GPT-4o für jede iterative wissenschaftliche Anfrage ist ruinös teuer. Dies ist ein bekannter struktureller Nachteil für europäische Forschungsinstitute, die versuchen, Horizon-Fördermittel gegen die Preisgestaltung amerikanischer Hyperscaler zu behaupten.

El Agente Forjador führt eine Form des digitalen Wissenstransfers ein, die dieses Preismodell teilweise aushebelt. Sobald eine leistungsstarke KI erfolgreich ein Werkzeug geschmiedet hat – etwa ein Skript zur Berechnung der Grundzustandsenergie eines komplexen Moleküls –, hinterlegt sie diesen Code in einer dauerhaften Bibliothek. Sie kuratiert damit effektiv ihren eigenen Lehrplan.

Nachfolgende, schwächere Sprachmodelle können dann auf dieses validierte Werkzeug zurückgreifen, um Probleme auf Expertenniveau zu lösen. Ein kleineres, kostengünstigeres Open-Weight-Modell muss nicht mehr über die logischen Fähigkeiten verfügen, komplexe Quantenalgorithmen zu schreiben. Es muss lediglich wissen, welches fertig geschmiedete Werkzeug es aus dem Regal nehmen muss.

Das teure Modell zahlt die hohe Rechensteuer für die Erfindung des Werkzeugs, und das günstigere Modell nutzt es für einen Bruchteil der Kosten. Das Silicon Valley mag zwar die Spitzenmodelle besitzen, doch die Computerchemie hat gerade herausgefunden, wie man deren Ergebnisse im Großhandel einkauft.

Quellen

• Zijian Zhang, Ignacio Gustin, Alán Aspuru-Guzik — El Agente Forjador Framework