068 — Modelle und Realität, ein Gespräch mit Dr. Andreas Windisch

Das Thema der heutigen Episode ist »Modelle«. Was ist ein Modell in Bezug zur Realität, welche Art vom Modellen gibt es und wie sollten wir als Gesellschaft mit Modellen umgehen, im besonderen bei Fragen, die das Verhalten komplexer Systeme in die Zukunft projeziert, wie etwa Klimamodelle.

Mein heutiger Gesprächspartner ist, und das freut mich besonders, ein wiederkehrender Experte, Dr. Andreas Windisch. Andreas ist ein theoretischer Physiker, der 2014 an der Universität Graz sub auspiciis praesidentis promoviert hat. Nach mehreren Jahren als PostDoc an der Washington University in St. Lous in den USA (Schrödinger Fellow des öst. Wissenschaftsfonds) kehrte er nach Österreich zurück, und übernahm die Rolle eines Forschungsteamleiters bei 'Know-Center', einem Forschungszentrum für KI. 

Andreas ist Mitbegründer und Leader der Reinforcement Learning Community, einer eigenständigen Arbeitsgruppe, die Teil des unabhängigen Think Tanks 'AI AUSTRIA' ist. Zudem ist Andreas Honorary Research Scientist der Washington University in St. Louis, er betreut Start-Ups bei dem European Space Agency Inkubator Science Park Graz und lehrt KI an der FH-Joanneum.  Seit März 2022 hält er auch eine Stelle an der TU-Graz.

Was ist ein Modell? Wie verhält sich ein Modell zur Realität, zur Natur? Welche Rolle spielen Variable und Freiheitsgrade? Andreas erklärt zunächst fundamentale Modelle — am Beispiel des Standardmodell der Teilchenphysik. 

»Der Natur ist unsere persönliche Sichtweise natürlich egal.«

Damit ist die Suche nach der Abweichung vom Modell ein wesentlicher Aspekt der Modellierung. Was hat es mit der Filterung durch unsere Sinne und durch unsere Instrumente auf sich? Können wir überhaupt ohne Modell und Theorie Beobachtungen machen?

Warum ist Platons Höhlengleichnis ein gutes Beispiel für Modell und Realität?

Welche Arten der Modellierung gibt es? Vom bottom up / fundamentalen Modell zur Welt im Großen, zu effektiven Modellen? Damit stellt sich die Frage: kann ich die Welt im Großen aus dem fundamentalen Verständnis des Kleinstes modellieren? Also: kann ich mit dem Standardmodell der Teilchenphysik etwa das Klima modellieren? Sollte es nicht nur ein Modell der Welt geben?

Andreas erklärt, warum dies nicht möglich ist. Damit stellt sich die Frage: was ist eine Skala? Was sind Hierarchien von Modellen nach Skala und Fragestellung? Wir diskutieren Beispiele  von der Quantenmechanik über die klassische Mechanik bis zur Relativitätstheorie und wieder zurück.

Wie verhält es sich im Übergang von einem Modell einer Skala oder Anwendungsbereich zu einem Modell einer andere Skala? Wo liegen die Grenzen und wie sieht es in den Übergangsbereichen aus? Wie weit kann Extrapolation gehen? Wenn ich Modelle außerhalb des Gültigkeitsbereiches »befrage«, bekomme ich Antworten, aber was ist von diesen zu halten?

Gilt die heute häufig formulierte Annahme: je mehr Daten desto besser (für die Entscheidungsfindung)? Die richtige Information und Abstraktion zur richtigen Zeit ist essentiell!

Wir sprechen weiters über mathematische Symmetrien, »Schönheit« und Qualität von Modellen, datengetriebenem (machine learning) vs. Modell-Zugang. Sind wir am Ende der Theorie angelangt, wie vor einiger Zeit behauptet wurde, oder war das ein Irrtum?

Wie repräsentativ sind die Daten mit denen modelliert wird im Bezug auf die Daten, die in der Realität zu erwarten sind? Ändert sich das über die Zeit der Modell-Nutzung? 

Wir kehren dann wieder an den Anfang zurück und diskutieren ein fundamentales historisches Beispiel, das n-Körper-Problem, beziehungsweise eine vereinfachte Form davon, das Dreikörperproblem, das ja einfach physikalisch zu lösen sein sollte. Oder doch nicht? Warum nicht? Was sind die Erkenntnisse und Folgen dieses historischen Problems, getrieben von König Oskar II und Henri Poincaré?

Es kann doch nicht so schwer sein, die Bahnen von Sonne, Erde und Mond zu berechnen!

Aus diesem Beispiel folgend: Was sind (nicht-lineare) chaotische Systeme und was bedeutet das für Modellierung und Vorhersage, vor allem in Bezug auf die Anfangsbedingungen und die Möglichkeit diese genau zu bestimmen? Wie hängt dies mit den intrinsischen Zeitskalen des Systems zusammen? Liegen hier natürliche Grenzen der Vorhersagbarkeit, die wir auch mit stetig besseren Sensoren, Computern und Algorithmen nicht brechen können?

Was sind Attraktoren komplexer dynamischer Systeme und Tipping Points (auch Kipppunkte,Phasenübergänge oder Regime Shifts genannt)? Kann man vorhersagen, wann sich ein System einem Kipppunkt nähert?

Dann diskutieren wir die Konsequenzen für Risikomanagement, den Unterschied zwischen statistisch gut beschreibbaren und bekannten Systemen, versus komplexen chaotischen Systemen und dem Vorsorgeprinzip. Was können wir daraus für politische und gesellschaftliche Entscheidungsprozesse mitnehmen?

Passend zur vorigen Episode disuktieren wir auch das Risiko des »Overselling« wissenschaftlicher Erkenntisse und vor allem von Modell-Ergebnissen als Wissenschafter.

Zum Schluss stellen wir die Frage, wie weit wir als Gesellschaft kritischen Diskurs verlernt haben. 

»Alle Experten sagen...« ist keine relevante Aussage, sondern ein rhetorischer Trick um Diskurs zu beenden.

Unterschiedliche Meinungen sind gerade bei komplexen (wicked) Problems von größter Bedeutung. Es gibt keine zentrale Anlaufstelle der Wahrheit, auch wenn das von manchen politischen Akteuren gerne so dargestellt wird. Was Information und Misinformation ist, stellt sich in der täglichen Praxis als sehr schwieriges Problem heraus. Auch die aktuelle Rolle der »alten« Medien ist stark zu hinterfragen.

Referenzen 

Andere Episoden

• Episode 79: Escape from Model Land, a Conversation with Dr. Erica Thompson
• Episode 67: Wissenschaft, Hype und Realität — ein Gespräch mit Stephan Schleim
• Episode 55: Strukturen der Welt
• Episode 53: Data Science und Machine Learning, Hype und Realität
• Episode 47: Große Worte
• Episode 37: Probleme und Lösungen
• Episode 27: Wicked Problems
• Episode 25: Entscheiden unter Unsicherheit
• Episode 10: Komplizierte Komplexität

Andreas Windisch

• Andreas Windisch auf LinkedIn
• Episode 18: Gespräch mit Andreas Windisch: Physik, Fortschritt oder Stagnation

Fachliche Referenzen

• Chris Anderson, The End of Theory: The Data Deluge Makes the Scientific Method Obsolete, Wired (2008)
• Daisyworld Model
• TED-Talk Bill Gates: The next outbreak, we are not ready (2015)
• Marten Scheffer, Catastrophic regime shifts in ecosystems: linking theory to observation (2003)