An der Duke University sind künstliche Intelligenz und Advanced Computing keine experimentellen Ergänzungen mehr. Sie entwickeln sich zu den Standardwerkzeugen, um Fragen zu beantworten, die zuvor als unbeantwortbar galten. Dieser Wandel verändert die Arbeitsweise der Forschung in der Biologie, Medizin und den weiteren Naturwissenschaften. [1] [2]
Foundation Models als Mikroskope für die Biologie
Rohit Singh, ein Computerbiologe an der Duke School of Medicine, betrachtet Foundation Models wie eine neue Art von Mikroskopen. Diese Machine-Learning-Systeme werden mit Hunderten von Millionen von Datenpunkten trainiert, sodass Forscher Muster über Millionen von Genexpressionsprofilen und biologischen Sequenzen hinweg erkennen können. Jedes Modell offenbart einen anderen Aspekt des Lebens, der untersucht werden kann.
Das Training dieser Modelle erfordert einen massiven Rechenaufwand, aber der Zugang zu Grafikprozessoren (GPUs) hat Zeiträume, die früher Wochen dauerten, auf wenige Tage verkürzt. Der Duke Computer Cluster bildet das High-Performance-Computing-Rückgrat für diese Aufgaben, und ein kleines GPU-Zentrum, dessen Eröffnung für 2027 geplant ist, wird die Kapazitäten weiter ausbauen.
Der Nutzen ist unmittelbar: Durch das Erlernen abstrakter Repräsentationen von Proteinen, Genen und Zellen können Singhs Modelle gesunde Zellen mit Krebszellen vergleichen und prüfen, ob ein Medikament diesen Unterschied ausgleichen kann. Die Erkenntnisse aus dieser Arbeit fließen in Projekte ein, die von der Entwicklung von Gentherapien bis hin zur Wirkstoffforschung für verschiedene Krankheiten reichen.
Interpretierbare KI schafft Vertrauen bei weitreichenden Entscheidungen
Während schnellere Hardware die Möglichkeiten erweitert, konzentriert sich Cynthia Rudin darauf, KI-Systeme zu schaffen, die Menschen verstehen und denen sie vertrauen können. Jahrelang funktionierten die meisten KI-Modelle als „Black Boxes“, die die Logik hinter ihren Vorhersagen verbargen. Diese Undurchsichtigkeit ist in Bereichen wie dem Gesundheitswesen und der Strafjustiz problematisch, in denen Entscheidungen schwerwiegende Folgen haben.
Rudins Labor entwickelt interpretierbare Modelle, die es Experten ermöglichen, nachzuvollziehen, wie Entscheidungen zustande kommen. Ein solches Modell, das gemeinsam mit dem Duke-Radiologen Joseph Lo entwickelt wurde, analysiert subtile Bildmuster in Mammographien, um das Risiko einer Patientin für die Entwicklung von Brustkrebs in den nächsten ein bis fünf Jahren vorherzusagen. Da das Modell transparent ist, können Kliniker die Daten und die Argumentation hinter jeder Vorhersage überprüfen und optimieren.
Diese interpretierbaren Systeme wurden bereits in verschiedenen medizinischen Bereichen eingesetzt, von der Vorhersage von Krampfanfällen bis hin zur Analyse medizinischer Bilder. Das Ziel ist nicht nur Genauigkeit, sondern Rechenschaftspflicht in Bereichen, in denen Vertrauen ebenso wichtig ist wie die Leistung.
KI vernetzt Disziplinen, um Entdeckungen zu beschleunigen
Die „Deep Tech“-Initiative der Duke University hat vier Projekte finanziert, die untersuchen, wie KI durch multidisziplinäre Zusammenarbeit wissenschaftliche Entdeckungen beschleunigen kann. Jedes Projekt geht eine andere Barriere an, die den Fortschritt über verschiedene Fachbereiche hinweg bremst.
„Consilience“, geleitet von Brinnae Bent, ist ein sprachbasiertes KI-System, das die interdisziplinäre Zusammenarbeit unterstützen soll. Es übersetzt Fachterminologie, regt zur Reflexion an und macht in Echtzeit neuartige Forschungsverknüpfungen sichtbar. Das System wird derzeit während eines universitären Hackathons getestet, wo es Teams von Doktoranden aus verschiedenen Fachrichtungen anleitet, interdisziplinäre Forschungsvorschläge zu synthetisieren.
Das Projekt von David Carlson konzentriert sich darauf, Studierende im kritischen Umgang mit KI zu schulen. Anstatt Large Language Models einfach zu übernehmen, lernen die Forscher, diese Werkzeuge zu evaluieren, fehlerhafte Logiken zu identifizieren und sie verantwortungsbewusst einzusetzen. Dies ist besonders in der interdisziplinären Arbeit wichtig, wo die Verknüpfung von Biologie, Statistik und Ingenieurwesen komplexes Denken erfordert.
Das Team von Sharique Hasan untersucht, wie KI komplexe Forschungsergebnisse für politische Entscheidungsträger, die Industrie und die Öffentlichkeit übersetzen kann. Indem Forschung mit hohem Wirkungspotenzial hervorgehoben und verborgene Verbindungen zwischen Fachbereichen aufgedeckt werden, können diese Tools den Weg von der Entdeckung zum realen Nutzen verkürzen.
Das Projekt von Matthew Hirschey kartiert den wissenschaftlichen Fortschritt und Engpässe durch die Analyse der Fachliteratur. Large Language Models verfolgen, wie Konzepte zwischen Fachbereichen wandern, und decken gemeinsame Herausforderungen wie begrenzte Daten oder Rechenleistung auf. Die resultierenden Karten sollen Finanzierungsentscheidungen leiten und die Zusammenarbeit über traditionelle Silos hinaus fördern.
Infrastruktur hält mit dem Ehrgeiz Schritt
Nichts davon wäre ohne kontinuierliche Investitionen in die Computing-Infrastruktur möglich. Der Duke Computer Cluster unterstützt bereits groß angelegte wissenschaftliche Anwendungen, und das kommende GPU-Zentrum ist so konzipiert, dass Strom- und Wasserverbrauch sowie Kohlenstoffemissionen durch energieeffiziente Praktiken minimiert werden.
Singh betont, dass der Zugang zu mehr GPUs seine computerbiologische Forschung direkt beschleunigt. Die Investitionen der Duke University positionieren die Hochschule als führenden Standort für diese Art von Arbeit, ziehen Talente an und ermöglichen Projekte, die sowohl auf Skalierbarkeit als auch auf Nachhaltigkeit angewiesen sind.
Da KI immer tiefer in den Forschungsprozess integriert wird, besteht die Herausforderung nicht nur darin, schnellere Modelle zu bauen, sondern Modelle, die nützlich, vertrauenswürdig und auf die Bedürfnisse der Menschen abgestimmt sind, die sie nutzen. Der Ansatz der Duke University zeigt, dass die Zukunft der wissenschaftlichen Entdeckung kollaborativ, interpretierbar und tiefgreifend computergestützt sein wird.
