In Kürze

  • Forschende um den Maschinenbau-Doktoranden Zeyang Li und den am MIT als Assistenzprofessor tätigen Navid Azizan haben mit HardFlow einen Algorithmus vorgestellt, der bereits trainierte, sogenannte Flow-Matching-generative-KI-Modelle dazu bringt, strikte Vorgaben («Hard Constraints») zuverlässig einzuhalten, ohne dass die Modelle neu trainiert werden müssen.
  • HardFlow formuliert die Einhaltung strikter Vorgaben als ein Trajektorien-Optimierungsproblem aus der Regelungstechnik («Optimal Control») um: Statt bei jedem Zwischenschritt der Generierung Vorgaben zu erzwingen, lässt das Verfahren dem Modell während der Erzeugung mehr Freiheit und erzwingt die Einhaltung der Vorgaben erst am Ende des Prozesses am fertigen Ergebnis.
  • In Experimenten zu Roboter-Greifaufgaben, Labyrinth-Navigation und textgesteuerter Bildbearbeitung erfüllte HardFlow sämtliche geforderten Nebenbedingungen vollständig und lieferte dabei gleichzeitig qualitativ bessere Lösungen als bisherige Vergleichsverfahren – etwa kollisionsfreie Roboterpfade, die zugleich die kürzeste Distanz zum Ziel darstellten.

Was ist passiert?

Ein Forschungsteam um den Maschinenbau-Doktoranden Zeyang Li vom MIT-Labor für Informations- und Entscheidungssysteme sowie Navid Azizan, Assistenzprofessor am MIT-Institut für Maschinenbau und am Institute for Data, Systems, and Society, hat den Algorithmus HardFlow vorgestellt. HardFlow soll bereits trainierte, sogenannte Flow-Matching-generative-KI-Modelle dazu bringen, strikte Vorgaben – etwa physikalische Grenzen, Sicherheitsanforderungen oder aufgabenspezifische Regeln – zuverlässig einzuhalten, ohne dass die zugrunde liegenden Modelle dafür neu trainiert werden müssen.

Der Algorithmus formuliert die Einhaltung strikter Vorgaben als Trajektorien-Optimierungsproblem um, wie es aus der Regelungstechnik («Optimal Control») bekannt ist. Statt wie bisherige Verfahren bei jedem einzelnen Zwischenschritt des Generierungsprozesses Vorgaben zu erzwingen, gibt HardFlow dem Modell während der Erzeugung mehr Freiheit und erzwingt die Einhaltung der geforderten Nebenbedingungen erst am fertigen Endergebnis.

Warum ist das wichtig?

In Experimenten zu Roboter-Greifaufgaben, Labyrinth-Navigation und textgesteuerter Bildbearbeitung erreichte HardFlow laut den Forschenden eine vollständige Einhaltung sämtlicher geforderter Nebenbedingungen und übertraf gleichzeitig bestehende Vergleichsverfahren bei der Qualität der gefundenen Lösungen. So fand das Verfahren für eine Roboteraufgabe etwa einen kollisionsfreien Pfad, der zugleich die kürzeste Distanz zum Ziel darstellte – ein Ergebnis, das frühere Verfahren nicht gleichzeitig für Sicherheit und Effizienz liefern konnten.

Die Arbeit adressiert damit eine zentrale Hürde für den Einsatz generativer KI in sicherheitskritischen Bereichen wie Robotik, physikalischer Prozesssteuerung und Computer Vision: Generative Modelle liefern oft «ziemlich gute», aber nicht garantiert korrekte Ergebnisse, während Anwendungen mit harten Sicherheits- oder Zulassungsanforderungen keine Ausnahmen tolerieren. Weil HardFlow zur Laufzeit auf bereits trainierte Modelle angewendet werden kann, entfällt der Aufwand eines kostspieligen Neutrainings, wenn sich Vorgaben ändern oder neue Randbedingungen hinzukommen.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Für den Schweizer Robotik- und Medtech-Standort rund um ETH Zürich, EPFL und zahlreiche Industriezulieferer ist ein Verfahren, das bereits trainierte generative KI-Modelle nachträglich auf strikte Sicherheitsvorgaben verpflichtet, direkt relevant: Viele Schweizer Anwendungen in Robotik, Prozessautomation und Medizintechnik können strikte physikalische oder regulatorische Anforderungen nicht ignorieren, selbst wenn sie leistungsfähige generative Modelle nutzen wollen.
  • Weil HardFlow ohne erneutes Training bereits vorhandener Modelle auskommt, senkt das Verfahren potenziell die Hürde für kleinere Schweizer Forschungsgruppen und Industriepartner, generative KI in sicherheitskritischen Bereichen einzusetzen, ohne über die Rechenressourcen für ein komplettes Neutraining verfügen zu müssen.
  • Für die Zulassung KI-gestützter Medizinprodukte in der Schweiz über Swissmedic und die an die EU-Medizinprodukteverordnung (MDR) angelehnten Regeln liefert ein Verfahren, das nachweislich alle geforderten Nebenbedingungen einhält, einen möglichen Baustein, um die Nachvollziehbarkeit und Prüfbarkeit generativer KI-Systeme gegenüber Zulassungsbehörden zu verbessern.

Verwendete Quellen

MIT News berichtete am 14. September 2026 über die Veröffentlichung von HardFlow durch Forschende des MIT; Fachmedien wie TechXplore ordneten technische Details zusätzlich ein.

Quellenstatus: 1 verlinkte Quelle · 0 von 1 Originaldaten verifiziert. Prüfregeln ansehen

  • MIT News MIT News Originaldatum nicht erfasst Rolle: Ausgangsquelle · Zugriff: Abruf nicht bestätigt · Abruf am 15. September 2026

Häufige Fragen

Was ist die Kernaussage zu MIT-Algorithmus HardFlow soll generative KI für sicherheitskritische Aufgaben tauglich machen?

Forschende um den Maschinenbau-Doktoranden Zeyang Li und den am MIT als Assistenzprofessor tätigen Navid Azizan haben mit HardFlow einen Algorithmus vorgestellt, der bereits trainierte, sogenannte Flow-Matching-generative-KI-Modelle dazu bringt, strikte Vorgaben («Hard Constraints») zuverlässig einzuhalten, ohne dass die Modelle neu trainiert werden müssen.

Warum ist diese KI-Meldung für die Schweiz relevant?

Für den Schweizer Robotik- und Medtech-Standort rund um ETH Zürich, EPFL und zahlreiche Industriezulieferer ist ein Verfahren, das bereits trainierte generative KI-Modelle nachträglich auf strikte Sicherheitsvorgaben verpflichtet, direkt relevant: Viele Schweizer Anwendungen in Robotik, Prozessautomation und Medizintechnik können strikte physikalische oder regulatorische Anforderungen nicht ignorieren, selbst wenn sie leistungsfähige generative Modelle nutzen wollen.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

MIT News berichtete am 14. September 2026 über die Veröffentlichung von HardFlow durch Forschende des MIT; Fachmedien wie TechXplore ordneten technische Details zusätzlich ein.