Wissenschaftler haben herausgefunden, dass Schaumblasen denselben mathematischen Gesetzen folgen wie KI
Ingenieure der University of Pennsylvania haben gezeigt, dass sich Blasen in nassem Schaum niemals vollständig absetzen, selbst wenn der Schaum still zu sein scheint. Das Überraschende daran ist, dass die Mathematik dem Training von Deep-Learning-Systemen entspricht.
Schaum – wie Seifenschaum, Rasierschaum, Schlagsahne und so weiter – ist nichts, worüber man normalerweise groß nachdenkt.
In der Wissenschaft wurde es jedoch oft ein wenig wie Glas auf mikroskopischer Ebene behandelt, mit Blasen, die in einer chaotischen, gefrorenen Anordnung feststecken, auch wenn der gesamte Klumpen zusammengedrückt werden kann und zurückspringt.
Nun haben Ingenieure der University of Pennsylvania erklärt, dass sie genauer untersucht haben, wie die Blasen sich ständig in unterschiedliche Anordnungen verschieben, ohne dass der Schaum seine Gesamtform verliert.
Von hier aus begannen sie, Simulationen von nassem Schaum zu verwenden, und haben – seltsamerweise – gesagt, dass die Mathematik hinter dieser Bewegung dem Deep Learning sehr ähnlich sieht – der Methode, die zum Trainieren moderner KI verwendet wird.
Schaum, der sich nie absetzt
Im Rahmen der Forschung bezogen sich die Wissenschaftler auf ältere Theorien, die sich Blasen vorstellten, die eine Energielandschaft hinunterrollen, um sich in einer Anordnung mit niedriger Energie niederzulassen und dort zu verbleiben. Als das Team jedoch reale Schaumdaten mit dieser Idee verglich, stimmten diese nicht überein.
„Als wir uns die Daten genauer angesehen haben, entsprach das Verhalten der Schaumstoffe nicht den theoretischen Vorhersagen“, sagte John C. Crocker, einer der beiden Hauptautoren der Studie.
„Wir haben diese Diskrepanzen vor fast 20 Jahren zum ersten Mal festgestellt, aber wir verfügten noch nicht über die mathematischen Werkzeuge, um zu beschreiben, was tatsächlich vor sich ging.“
Ihre Simulationen lieferten eine andere Erklärung. Sie fanden heraus, dass Schaum sich nicht zu einem einzigen optimalen Endzustand „auflöst“. Stattdessen erklärten sie, wie er sich in weiten Bereichen bewegt, in denen viele Blasenkonfigurationen ungefähr gleich gut sind. Deshalb fühlt sich Schaum in der Hand stabil an, während er darunter stabil, aber unruhig ist.
KI-Mathematik taucht auf
Die Überraschung besteht darin, dass dieselbe Art von Mathematik auch beim Deep Learning zum Einsatz kommt, wo ein KI-Modell durch wiederholte Anpassung von Parametern mithilfe von Methoden im Zusammenhang mit Gradientenabstieg verbessert wird. In dieser Welt ist es oft besser, in flacheren Regionen zu bleiben, in denen viele Lösungen ähnlich gut funktionieren.
Deep Learning erwies sich als ziemlich gut geeignet für die Aufgabenstellung, die der Schaumstoff erfüllte.
„Die wichtigste Erkenntnis war, dass man das System eigentlich nicht in das tiefstmögliche Tal drücken möchte“, sagte Robert Riggleman, Professor am CBE und Mitautor der Studie.
„Wenn man sich auf flachere Teile der Landschaft beschränkt, wo viele Lösungen ähnlich gut funktionieren, stellt sich heraus, dass dies die Generalisierung dieser Modelle ermöglicht.“
Die Forscher glauben, dass dies zu einer umfassenderen Vorstellung darüber führen könnte, wie komplexe Systeme organisiert bleiben und sich gleichzeitig verändern. Sie untersuchen nun erneut biologische Strukturen wie das Zytoskelett der Zelle, das sich ständig neu organisieren muss, ohne auseinanderzufallen.
Wenn sich dort dieselben mathematischen Erkenntnisse zeigen, könnte dies zur Entwicklung von adaptiven Materialien beitragen, die ihre Form behalten und dennoch auf ihre Umgebung reagieren können.
Quellenhinweis:
Slow relaxation and landscape-driven dynamics in viscous ripening foams, published in Proceedings of the National Academy of Sciences, November 2025.