Rodin und sein Denker zuJochen Ebmeiers Realienaus nzz.ch, 10.10.2020
Dank Röntgenstrahl-Kristallografie machten die Biologen eine der wegweisenden Entdek-kungen des 20. Jahrhunderts: Die geometrische Struktur von Molekülen – Proteinen, RNA, DNA – bestimmt wesentlich die Lebensaktivitäten. Proteine haben eine oft komplexe, geradezu exotische Gestalt, und diese bedingt die Art der Interaktion. Proteine passen sich einander an, wie dreidimensionale Puzzlestücke. Die Anpassung entpuppt sich als ein dorniges Problem mit enorm vielen Parametern, das heisst: als ein Big-Data-Problem.
Der Biologe und Informatiker Bruno Carreira und sein Team von der ETH Lausanne haben ein neuronales Netz entwickelt – «Geometric Deep Learning» – , das mögliche Wechselwirkungen von Proteinen viel schneller erkennen und klassifizieren kann als herkömmliche Methoden. Es versetzt die Forscherinnen und Forscher in die Lage, die vertrackte innere Struktur eines Proteins zu umgehen und nur dessen Oberfläche zu scannen – den Fingerabdruck des Proteins (von daher der Name molecular surface interaction fingerprinting, Masif). Das KI-System erkennt Merkmale der Oberfläche, und es kann sie zu einem Protein-Fingerabdruck kombinieren.
Dadurch eröffnet sich ein vielversprechender Horizont. So verursacht zum Beispiel Krebs Mutationen in der Proteinoberfläche, was dazu führt, dass das Protein nicht mehr normal funktioniert. Masif könnte solche Störstellen auffinden und günstigstenfalls zu ihrer Reparatur beitragen. Geradezu brennend aktuell wird dieses Problem im Kontext der Corona-Pandemie. So weist ja auch Sars-CoV-2 mit seinen Proteinzäpfchen eine recht bizarre Oberfläche auf. Den Protein-Fingerabdruck des Virus zu kennen, könnte also durchaus helfen, es an gezielter Stelle zu attackieren, indem das neuronale Netz bis anhin unbekannte Einfallstore entdeckt. So liessen sich möglicherweise sogar antivirale Proteine von null auf synthetisieren.
Das klingt alles wunderbar, hat aber einen störrischen Haken. Die Zelldynamik versteht man auf diese Weise nicht. Das heisst, um die kausalen Mechanismen der Proteinbindungen wirklich zu erklären, benötigt man Theorie – «tiefe» Theorie. Die fundamentalste Theorie, über die wir verfügen, ist die Quantentheorie. Mit ihr ist jedoch noch kaum etwas gewonnen. Um das Verhalten eines komplexen biophysikalischen Systems wie eines Proteins zu erklären, muss man die Schrödinger-Gleichung mit sehr viel Variablen lösen – primär ein rechnerisches Problem.
Bereits heute leisten potente Rechner unentbehrliche Dienste bei dieser Aufgabe. Kürzlich kreierte ein Team um den Quantenphysiker Renato Renner an der ETH Zürich einen künstlich intelligenten Agenten namens Scinet, der «von selbst» anhand von Daten zu gewissen theoretischen «Einsichten» gelangt: zum Beispiel zum Sprung von der geozentrischen zur heliozentrischen Beschreibung der Planetenbahnen. Das ist ein durchaus bemerkenswertes Resultat. Der Anspruch, den die SciNet-Forscherinnen und -Forscher daraus ableiten, macht allerdings stutzig: «Unsere Arbeit liefert einen ersten Schritt in der Beantwortung der Frage, ob die traditionellen Methoden der Physiker, Naturmodelle zu bilden, sich von selbst aus den experimentellen Daten ergeben, ohne physikalisches und mathematisches Vorwissen; und ob alternative elegante Formalismen existieren, welche einige fundamentale konzeptuelle Probleme der modernen Physik lösen könnten, wie etwa das Messproblem der Quantentheorie.»
Spätestens jetzt stellt sich noch eine andere Frage: Sind denn konzeptuelle Probleme nicht Probleme des Konzipierens, also des Denkens, und setzt ein solches Denken nicht ein Vorwissen voraus? Alle fundamentalen Begriffe der Physik sind dem Denken entsprungen, nicht dem Datensammeln: Raum, Zeit, Bewegung, Materie, Kausalität, Energie, Fernwirkung, um nur einige zu nennen. Man könnte sogar sagen: Physik ist Metaphysik mit experimentellen Mitteln. Aber was heisst eigentlich Theorie und Verstehen?
Darauf gibt es eine ganze wissenschaftsphilosophische Palette von Antworten. Ich erdreiste mich hier, sie möglichst einfach zu charakterisieren: Theorie ist Denken im Konjunktiv, sie beginnt stets mit der Wendung «Stellen wir uns vor, dass . . .» oder «Was wäre, wenn . . .». Empirie dagegen ist Denken im Indikativ, sie beginnt mit der Wendung «Schauen wir, was ist». Der Prähominide, der vor 50 000 Jahren nicht einfach fragte: «Wo ist das Mammut?», sondern: «Wo könnte sich das Mammut unter diesen Wetterbedingungen aufhalten?», begann zu theoretisieren. Daten lassen sich überall da sammeln, wo die Fragen «Wer?», «Wo?», «Was?», «Wann?», «Wie?» beantwortbar sind. Nur nicht bei der Frage «Warum?». Modelle ergeben sich nicht «von selbst aus den experimentellen Daten». Die Dynamik der Himmelskörper lesen wir nicht aus noch so riesigen Datenmengen heraus; das Higgs-Teilchen wurde nicht aus Korrelationen im Large Hadron Collider entdeckt; und Krebs verstehen wir nicht aus Bayesschen Netzwerken. Wir brauchen Theorien, sonst droht die Arbeit des Verstehens in der Datenschwemme zu ersticken.
Sagen wir es geradeheraus: Deep Learning ist wesentlich Statistik, nicht Wissen. Die statistischen Methoden sind heute äusserst elaboriert, man sollte von ihnen jedoch nicht erwarten, dass sie es auf die Stufe der Intelligenz schaffen, wie wir sie vom Menschen her kennen. Diese Intelligenz setzt planvolle Intervention und Imagination voraus. Ob wir sie Maschinen vermitteln können, ist eine offene Frage. Ein führender KI-Forscher, Stuart Russell, greift nachgerade zu einer Tautologie: «Bis jetzt begreifen wir sehr schlecht, warum Deep Learning so funktioniert, wie es funktioniert. Möglicherweise lautet die beste Erklärung: weil tiefe Netzwerke tief sind; weil sie zahlreiche Schichten haben und jede dieser Schichten lernen kann, nach einfachen Regeln einen Input in einen Output zu verwandeln; so dass sich diese simplen Transformationen zu jener komplexen Transformation addieren, die vonnöten ist, um von einer Fotografie zu einer Kategorie zu gelangen.» Die Erklärung wirft einen nicht gerade um. Sie erinnert an die von Molière verspottete «einschläfernde Qualität», die erklären soll, warum Schlafmittel wirken.
Um zu verstehen, muss man über bestehende Daten hinaussehen – «hinaussehen» im Sinne von imaginieren: Deep Thinking. Was damit gemeint ist, möchte ich kurz anhand eines Kontrasts exemplifizieren. Deep Learning funktioniert oft nach dem Prinzip: immer mehr vom Gleichen. In der Tat könnte man ironisch anmerken, dass das «tief» im «tiefen Lernen» nichts weiter bedeutet als mehr von gleichen Verarbeitungsschichten in neuronalen Netzen. Eine «flache» Tiefe also. Und hier gilt die altbekannte Warnung: Immer das Gleiche zu tun und Anderes zu erwarten, gilt als ein Symptom von Wahnsinn.
Ich unterstelle der Deep-Learning-Forschung nicht (direkt) Wahnsinn, aber vielleicht lohnt es sich gelegentlich, an das Prinzip des Deep Thinking zu erinnern: weniger vom Gleichen, und mehr Anderes. Alternativen zu begangenen Wegen finden. Solche Alternativen zu finden, setzt ein Denken im Konjunktiv voraus. In diesem Zusammenhang kommt mir das berühmte Gedicht von Robert Frost in den Sinn: «The Road Not Taken». Vor allem die Zeilen (in der Übersetzung von Paul Celan): «Im Wald, da war ein Weg, der Weg lief auseinander, und ich – ich schlug den einen ein, den weniger begangenen, und dieses war der ganze Unterschied.» Fortschritt in der Forschung beruht darauf, dass man beiden Wegen folgen kann, dem aktuell begangenen und dem potenziell unbegangenen. Letzteren markiert Deep Thinking.
Nota. - Verstehen alias vorstellen heißt, eine Anzahl Daten zu einem Modell ordnen. Den Platz, den das Datum im Modell einnimmt, bezeichnet seine Bedeutung - unter der unausgesprochenen Voraussetzung, dass das Modell eine Funktion darstellt: eine "Wirkung". Der Platz des Datums im Modell ist sein Anteil an der Wirkung. Das, was man im Modell wiedergibt, muss man zuvor identifiziert haben; in einem Begriff begriffen.
Dass der gesunde Menschenverstand dazu neigt, sich die erfahrbaren Wirkungen als Lei-stungen eines verborgenen Subjekts vorzustellen, liegt daran, dass im Vorstellen selbst immer... ein Subjekt tätig ist. Denn es ist nicht so, dass die Forscher auf gut Glück Daten sammeln und solange zusammenpuzzeln, bis sich irgend ein Bild ergibt. Sondern die Wissenschaft macht sich aus den Phänomenen, die sie beobachtet, ein Bild und sucht in den Phänomenen nach den Daten, aus denen die dieses Bild zusammensetzen können. Solange die Datenmenge nicht reicht, um das Bild auszufüllen, bleibt es Hypothese. Ergeben sich genügend (?!) Daten, die ins Bild nicht passen, wird es wohl falsch gesesen sein.
JE
Keine Kommentare:
Kommentar veröffentlichen