Physik

Die SIGGRAPH 2026 Konferenz, die vom 19. bis 23. Juli in Los Angeles stattfindet, thematisiert die Rolle der künstlichen Intelligenz (KI) als kreativen Partner in Kunst, Forschung und Industrie. Anhand interaktiver Installationen, Workshops und Diskussionen wird gezeigt, wie KI die Grenzen zwischen Computergraphik, Physik und Kunst aufhebt und neue Forschungs- sowie Interaktionsmöglichkeiten schafft. Höhepunkte der Veranstaltung sind die Kunstinstallation "The Long Fall", die den Einfluss von Plankton auf den Klimawandel beleuchtet, und "Diffusion TV", das nostalgische Elemente mit modernen KI-Technologien kombiniert. Technische Workshops ermöglichen den Teilnehmern den praktischen Umgang mit KI-gestützten Tools, während Community-Gespräche aktuelle Trends und Innovationen im Bereich der Computergraphik erörtern. Ein besonderer Fokus liegt auf der Rolle von KI in der Bildung, wo diskutiert wird, wie diese Technologie das Lernen zukünftiger 3D-Künstler transformiert. Die Konferenz vermittelt die Botschaft, dass KI nicht als Bedrohung, sondern als Chance für kreative Entfaltung betrachtet werden sollte.

Der Artikel "A Gentle Introduction to Functionals and Distributions" bietet eine einführende Erklärung zu Funktionalen und Verteilungen, die in der Physik und Ingenieurwissenschaft häufig verwendet werden. Er hebt hervor, dass viele Studierende zunächst mit klassischen Funktionen vertraut gemacht werden, bevor sie auf die komplexeren Konzepte der Funktionalen stoßen. Ein zentrales Beispiel ist das Dirac-Delta, das als Verteilung und nicht als klassische Funktion betrachtet wird. Der Artikel zielt darauf ab, diese mathematischen Konzepte schrittweise zu erläutern, um ein besseres Verständnis zu fördern und den Lesern eine solide Grundlage für weiterführende Studien zu bieten. Durch die sanfte Einführung sollen die Ideen zugänglicher gemacht werden, um das Interesse an diesen wichtigen Themen zu wecken.

In der aktuellen Forschung wird untersucht, wie Künstliche Intelligenz (KI) und Physik zusammenarbeiten können, um verbesserte Materialien für die Wasserstoffspeicherung zu entwickeln. Wasserstoff gilt als vielversprechender Energieträger, jedoch stellt die effiziente Speicherung eine große Herausforderung dar. Durch den Einsatz von KI-Algorithmen können Forscher Muster und Eigenschaften von Materialien schneller analysieren und vorhersagen. Dies ermöglicht die Identifizierung von vielversprechenden Kandidaten für Wasserstoffspeicher, die sowohl sicher als auch effizient sind. Die Kombination von physikalischen Modellen und KI-Techniken könnte somit zu innovativen Lösungen führen, die die Wasserstofftechnologie vorantreiben und zur Energiewende beitragen. Die Ergebnisse dieser interdisziplinären Ansätze könnten langfristig die Entwicklung nachhaltiger Energiespeicher revolutionieren.

General Intuition hat in einer Series-B-Finanzierungsrunde 320 Millionen Dollar gesammelt, um KI-Agenten mithilfe von Videospielaufnahmen auszubilden. Die Finanzierung, angeführt von Khosla Ventures, bewertet das Unternehmen mit 2,3 Milliarden Dollar. Der innovative Ansatz nutzt Aktionsdaten aus Spielen, um KI-Agenten ein besseres Verständnis von menschlicher Intuition zu vermitteln, im Gegensatz zu herkömmlichen Methoden, die sich auf Text und Bilder stützen. Durch die Analyse komplexer Entscheidungsstrukturen und physikalischer Simulationen in Videospielen will General Intuition "Weltmodelle" entwickeln, die Kausalität und physikalische Prinzipien begreifen. Diese Modelle könnten die Entwicklung physischer KI-Agenten vorantreiben, die komplexe Bewegungen in realen Umgebungen planen können, ohne auf trial-and-error-Methoden angewiesen zu sein. Die Verfügbarkeit umfangreicher Trainingsdaten von Gamern reduziert die Notwendigkeit teurer Datensammlungen. Skeptiker warnen jedoch, dass die Physik in Videospielen nicht vollständig auf die reale Welt übertragbar ist. Die nächsten 18 Monate werden entscheidend sein, um den Erfolg dieses Ansatzes zu bewerten und dessen Einfluss auf die KI-Branche zu bestimmen.

Teramot ist ein innovatives argentinisches Startup, das die Integrationszeit von Daten durch autonome Datenengineering-Prozesse von 7-8 Monaten auf nur 10-15 Tage reduziert. Dies ermöglicht Unternehmen, KI-Modelle effizienter zu nutzen, indem eine strukturierte Datenbasis bereitgestellt wird. Die Plattform automatisiert die Erstellung und Pflege von Data Lakehouses, wodurch unstrukturierte Daten in eine verwaltete Analyseschicht umgewandelt werden. Teramot hat bereits Fortune 500-Kunden und expandiert aktiv in Lateinamerika und den USA, unterstützt durch frische Investitionen. CEO Bruno Ruyú und sein Team setzen Techniken aus Physik und maschinellem Lernen ein, um Datenstrukturen zu optimieren und die KI-Implementierung zu beschleunigen. Die starke Automatisierung der Prozesse ermöglicht es Unternehmen, ohne teure externe Beratung zu arbeiten. In einem Markt, der zunehmend auf KI setzt, zeigt Teramot, dass der Schlüssel zum Erfolg nicht nur in der Entwicklung fortschrittlicher Modelle liegt, sondern auch darin, praktische Herausforderungen zu bewältigen, die die Nutzung dieser Technologien behindern.

Das KI-Framework THOR, entwickelt von Forschern der University of New Mexico und des Los Alamos National Laboratory, revolutioniert die Berechnung von Materialverhalten, indem es eine über 100 Jahre alte physikalische Herausforderung in Sekundenschnelle löst. Anstelle langwieriger Simulationen nutzt THOR tensorbasierte Mathematik und maschinelles Lernen, um thermodynamische Eigenschaften von Materialien schnell und präzise zu berechnen. Durch die effiziente Evaluierung komplexer konfigurativer Integrale, die für die Vorhersage des Materialverhaltens entscheidend sind, wird der Rechenaufwand erheblich reduziert. THOR identifiziert Kristallsymmetrien und ermöglicht so Berechnungen, die zuvor Wochen dauerten, in nur Sekunden. Tests zeigen, dass THOR über 400-mal schneller arbeitet als herkömmliche Methoden, ohne die Genauigkeit zu beeinträchtigen. Diese Fortschritte könnten weitreichende Auswirkungen auf Materialwissenschaft, Physik und Chemie haben, indem sie schnellere Entdeckungen und ein besseres Verständnis der Materie fördern.

Dr. James Slezak, CEO von Swayable, wurde für das Jahr 2026 in den Board of Trustees der Advertising Research Foundation (ARF) berufen. Die ARF, die seit 1936 objektive Forschung in Medien, Marketing und Werbung fördert, wird durch Slezaks Ernennung einen weiteren Einfluss im Bereich der Marketingmessung gewinnen. Swayable nutzt innovative Technologien wie randomisierte kontrollierte Studien und maschinelles Lernen zur Erstellung von Swayable Impact Scores. Slezak, der über eine akademische Laufbahn in Physik und Erfahrung bei The New York Times verfügt, sieht seine Rolle als Trustee als Chance, zur evidenzbasierten Forschung der ARF beizutragen. Er betont die Übereinstimmung der ARF-Mission mit Swayables Ziel, die Auswirkungen von Botschaften zu messen. Mit über 400 Mitgliedern, darunter Unternehmen wie PepsiCo und Microsoft, spielt die ARF eine entscheidende Rolle in der Förderung wissenschaftlicher Praktiken im Marketing. Slezaks Engagement könnte somit die Forschung vorantreiben und die Entscheidungsfindung in der Branche verbessern.

OpenAI hat eine innovative Funktion in ChatGPT eingeführt, die interaktive visuelle Erklärungen für über 70 mathematische und physikalische Konzepte bereitstellt. Diese neuen Erklärungen ermöglichen es Nutzern, Variablen in Echtzeit zu verändern und sofortige Auswirkungen auf Grafiken und Formeln zu beobachten. Die Themen sind vor allem für Schüler und Studenten relevant und umfassen wichtige Konzepte wie binomische Formeln, exponentiellen Zerfall, Ohmsches Gesetz, Zinseszinsen und trigonometrische Identitäten. Die Funktion ist ab sofort für alle registrierten Nutzer weltweit verfügbar, unabhängig von ihrem Abonnement. OpenAI plant, das Angebot in Zukunft zu erweitern, um noch mehr Themen abzudecken. Diese Entwicklung könnte das Lernen in Mathematik und Physik revolutionieren, indem sie eine interaktive und visuelle Lernerfahrung bietet.

Der Artikel beschreibt einen neuartigen KI-Algorithmus, der physikalische Prinzipien, insbesondere Newtons drittes Gesetz, nutzt, um die Stabilität von Simulationen zu gewährleisten. Traditionell können Simulationen in der Physik instabil werden, wenn die Wechselwirkungen zwischen Objekten nicht korrekt modelliert sind. Der entwickelte Algorithmus integriert physikalisches Wissen in den Lernprozess der KI, was zu realistischeren und stabileren Ergebnissen führt. Durch die Anwendung von Newtons drittem Gesetz, das besagt, dass jede Aktion eine gleichwertige und entgegengesetzte Reaktion hervorruft, kann der Algorithmus die Dynamik von Systemen präziser erfassen. Dies hat potenzielle Anwendungen in verschiedenen Bereichen, von der Robotik bis zur virtuellen Realität, und könnte die Effizienz und Genauigkeit von physikbasierten Simulationen erheblich verbessern. Der Ansatz zeigt, wie die Kombination von KI und physikalischem Wissen neue Möglichkeiten für die Simulation komplexer Systeme eröffnet.

In einem umfassenden, KI-gesteuerten Audit wurde das Selection-Stitch Model (SSM) von Raghu Kulkarni als vielversprechende Alternative zu herkömmlichen physikalischen Erklärungen identifiziert, die stark auf Dunkler Energie und Dunkler Materie basieren. Im Gegensatz zu traditionellen Modellen, die zahlreiche willkürliche Parameter verwenden, leitet das SSM fundamentale Konstanten aus einer diskreten Vakuumlattice ab und bietet eine objektive geometrische Einheit. Die Analyse zeigt, dass das SSM die Herausforderungen der aktuellen Kosmologie und Teilchenphysik adressiert, indem es das Universum als festen Kristall beschreibt und die Massen der Teilchen geometrisch berechnet. Zudem wird die Raumzeit im SSM als "pixeliert" betrachtet, was neue Perspektiven auf Gravitation und Galaxienstruktur eröffnet. Die Methodik des Audits ist öffentlich zugänglich, sodass Interessierte die Ergebnisse überprüfen können. Insgesamt bietet das SSM eine vereinfachte Sichtweise der Physik, die nicht nur Daten anpasst, sondern sie auch ableitet, was einen bedeutenden Fortschritt in der theoretischen Physik darstellt.