In den letzten zehn Jahren haben wir eine zunehmende Verwendung von Methoden des maschinellen Lernens und der künstlichen Intelligenz (KI) in vielen Bereichen, auch in den Wissenschaften, beobachten können. Die Autonomie und Rechenleistung von KI-Systemen kann sowohl im wissenschaftlichen Experiment als auch in der theoretischen Modellierung genutzt werden, um einen besseren Zugang zur Welt um uns herum zu erhalten. Gleichzeitig ist es diese Autonomie, die uns dazu veranlasst, über KI-Systeme auf eine ganz andere Weise nachzudenken als über andere Berechnungsmethoden. Um herauszufinden, wo der Unterschied liegt, muss man bestimmen, welche Eigenschaften wir KI-Systemen zuschreiben, die anderen Methoden nicht zugeschrieben werden können. Diese Art von Überlegungen verknüpft die Arbeit an KI mit philosophischen Überlegungen zum Handeln. Inwieweit können wir KI-Systeme als "Agenten" betrachten? Um eine solche Frage zu beantworten, kann man versuchen, grundlegende Eigenschaften herauszuarbeiten, für die man sich von biologischen Entitäten inspirieren lassen kann, die wir als einfacher als wir Menschen betrachten, die aber immer noch ausreichend komplex sind, um ihnen einen gewissen Grad an Handlungsfähigkeit zuzuschreiben.
In dieser Arbeit wählen wir einen multidisziplinären Ansatz für die oben genannten Fragen und schlagen eine Brücke zwischen Physik, Biologie und Philosophie indem wir einen Denkansatz für Handeln und Lernen entwickeln. Konkret verwenden wir einen physikalischen Rahmen für das Verstärkungslernen (Reinforcement Learning, RL) in der Verhaltensbiologie und im Zusammenhang mit wissenschaftlichen Entdeckungen.
Einerseits modellieren wir einfache Tiere, wie z. B. Bienen, als lernende Agenten, um Einblicke in die Verhaltensmuster zu gewinnen, die sich als Ergebnis eines Lernprozesses ergeben. Wir verknüpfen diesen Lernprozess mit der natürlichen Selektion, indem wir einen evolutionären Druck in die Belohnungsfunktion des RL-Mechanismus kodieren. In diesem Fall zeigt das KI-Modell eine einfache Form der Handlungsfähigkeit, die Entscheidungsfindung und Lernen umfasst und mit dem Verhalten von lebenden Gegenspielern verglichen werden kann.
Andererseits modellieren wir KI-Systeme, die bestimmte wissenschaftliche Aufgaben selbstständig lösen können. Insbesondere stellen wir einen Rahmen zur Verfügung, der die Interpretation der Art und Weise, wie das KI-System eine Lösung findet, erleichtert, was in der wissenschaftlichen Praxis von grundlegender Bedeutung ist, da die Lösung eines Problems allein oft nicht ausreicht, um das zugrunde liegende Phänomen zu verstehen.
Obwohl es sich um zwei scheinbar unterschiedliche Themen handelt, können beide mithilfe des Konzepts der Handlungsfähigkeit und Modellen lernender Agenten, die in der Physik begründet sind, analysiert werden.