Genetische Programmierung: AI jenseits von LLMs

AI ist nach wie vor in aller Munde – dabei ist häufig nicht klar, was mit dem Begriff eigentlich gemeint ist. Jeder, der vor fünf Jahren Big Data verkauft hat, verkauft heute AI – die Technologie dürfte in den meisten Fällen unverändert sein. Fragt man Menschen auf der Strasse, dürften die meisten ChatGPT mit AI gleichsetzen.

Hier liegt das Gros der Aufmerksamkeit schon allein aufgrund der astronomischen Investitionen. Dabei gibt es noch andere Ansätze, die in den Bereich Machine Learning fallen: Genetische Programmierung unter Anwendung symbolischer Regression zum Beispiel. Diese bietet nicht nur sehr konkrete und praktische Anwendungen für die Industrie, sondern hat ausserdem den Vorteil, keine Black Box zu sein: «Die Logik des Outputs ist für den Menschen leicht verständlich», so David Piringer, Mitgründer des Start-ups Mentron, das genau eine solche Lösung anbietet. «Man spricht dabei von einer White Box», erklärt der Mitgründer. «Vereinfacht gesagt füttern wir unser Modell mit einem Datensatz, und es produziert eine mathematische Formel. Diese Formel ist für den Menschen transparent und stellt gleichzeitig die Lösung des Problems dar».

Geringe Rechenpower

Eine konkrete Anwendung ist die Herstellung von Stahl: «Die Art, wie das Material erkaltet – die Geschwindigkeit, die Interaktion der verschiedenen Kristalle und so weiter –, produziert sehr unterschiedliche Arten von Stahl in Bezug auf Flexibilität, Härte und so weiter.» Messungen sind in diesem Zusammenhang schwierig und teuer. «Mit unserem Algorithmus reicht bereits eine kleine Datenmenge, kombiniert mit Eingaben physikalischer Gegebenheiten, um eine Formel zu produzieren, die es erlaubt, Stahl mit den gewünschten Charakteristika herzustellen», so Piringer.


Den Prozess, der die Formel produziert, bezeichnet man ebenfalls als Training. Wie bei grossen LLMs wird ein Algorithmus auf Daten angewandt. Die nötige Rechenpower kommt aus der Cloud. Ein Vorteil der symbolischen Regression mittels genetischer Programmierung ist, dass die benötigte Rechenpower im Vergleich zu LLMs sehr gering ist und nicht einmal GPUs benötigt. Ein einzelner Server reicht. «Wir lassen unsere Lösung auf normalen CPUs laufen. Ein erstes Ergebnis kommt binnen Sekunden zustande», erklärt Piringer. Verlängert man die Berechnungsdauer, kann die Qualität der Formel in einem gewissen Rahmen weiter verbessert werden. Aber auch hier sind die Kosten überschaubar. Ausserdem kann bereits in den ersten Iterationen ein Ergebnis vorliegen, das a) funktioniert, und b) aufzeigt, in welche Richtung es geht.

Start als Hobbyprojekt

David Piringer hatte die Idee bereits vor einigen Jahren. «Ursprünglich war ich Teil einer Forschungsgruppe für heuristische und evolutionäre Algorithmen an der Fachhochschule Hagenberg in Österreich. Mich hat aber die praktische Anwendung fasziniert, deshalb wechselte ich vor einigen Jahren in die Industrie.» Eine erste Variante von Mentron entwickelte er ab 2021 als «Hobbyprojekt» in seiner Freizeit. 2025 hatte das Projekt allerdings einen Reifegrad erreicht, der Piringer über kommerzielle Anwendungen nachdenken liess. «Ich habe mich gefragt, warum ich das nicht der Öffentlichkeit anbiete.» Seit 2026 ist Mentron live.

Dabei betont der Mitgründer, dass die Anwendung von Mentron nicht an eine spezifische Industrie gekoppelt ist. «Unserem Modell ist der Ursprung der Daten egal. Es findet Zusammenhänge und produziert eine anwendbare Formel.» Allerdings lässt sich die Herleitung der Formel nicht mehr Reverse-Engineeren.


Piringer beschreibt eine Anwendung aus der FH: «Wir haben ein sehr altes Problem beim Thema ferromagnetischer Eigenschaften untersucht: Die Frage war, wie hoch die magnetische Feldstärke von unterschiedlich bearbeiteten Materialien ist, welche in Elektromotoren im Einsatz sind. Dieses Wissen ist notwendig für die realisierbare Leistung der einzelnen Motoren.» Das Problem, wie beim Stahl, war, dass Messungen schwierig und teuer sind. «Unter Anwendung eines ähnlichen Modells wie bei Mentron konnten wir mit nur 27 Datenpunkten und physikalischem Vorwissen eine zuverlässige Formel finden. Zuvor gab es nur eine Methode aus dem frühen 20. Jahrhundert, bei der man sich dem Problem mit Messerergebnissen nur mühsam und für jede Materialzusammensetzung einzeln annähern konnte. Eine allgemeine Formel für verschiedene Materialien gab es nicht. Unsere Lösung war ein enormer Schritt.»

Ein weiterer Vorteil von Mentron ist, dass eine Formel sehr einfach anzuwenden ist – sie lässt sich mit geringem Aufwand in Excel oder in die Systeme eines Unternehmens integrieren. Mentron läuft in der Cloud, kann aber ohne Problem on Premise aufgesetzt werden. «Wenn die Daten Forschungs- oder Betriebsgeheimnisse enthalten, ist völlig verständlich, wenn ein Unternehmen sie nicht herausgeben will», so Piringer.

Weite Anwendungs­möglichkeiten

Zurzeit konzentriert man sich bei Mentron auf die Kundensuche. Von Vorteil sind die weiten Anwendungsmöglichkeiten der Lösung. Mögliche Kunden sieht Piringer in der Industrie in Bereichen wie Materialforschung, Motorenentwicklung oder Maschinenbau, aber auch in der Forschung und Entwicklung. Eigentlich überall, wo ein Interesse besteht, die eigenen Prozesse kontrollieren oder weiterentwickeln zu können. «Mentron kann sogar in der Finanzindustrie eingesetzt werden. Überall, wo es gilt, einen Zusammenhang zwischen Input- und Output-Parametern herzustellen, können wir sehr schnell testbare Lösungen anbieten.»