Verbesserte Materialforschung dank KI

In der Forschung wird es weiter auf die Arbeit im Labor ankommen. KI kann jedoch Entwicklungsprozesse stark beschleunigen. © Shutterstock/Motortion Films

Auch wenn Wissen und Erfahrung der Forschenden wesentliche Erfolgsfaktoren bleiben werden, um das Potenzial neuer Werkstoffe zu erkennen und zu bewerten, so können Big-Data-Analysen, Text-Mining und maschinelles Lernen Forschungsprozesse in vielerlei Hinsicht vereinfachen. Zum einen, indem KI abertausende von Fachartikeln auf bestimmte Themen und Begriffe durchforstet, wodurch sich der Blick der Fachleute schneller auf gewünschte Zusammenhänge lenken lässt. Zum anderen, indem die virtuelle Materialentwicklung dem physischen Experiment im Labor vorangestellt wird. Die sich daraus ergebenden Möglichkeiten klingen fantastisch. So sagt Professor Pascal Friederich vom Karlsruher Institut für Technologie (KIT), dass KI aus den Ergebnissen von rund 1.000 Simulationen vorhersagen könne, wie „die Eigenschaften von mehreren Millionen Materialien“ seien. Dabei würden unterschiedliche Zusammensetzungen ebenso berücksichtigt wie die Herstellungsbedingungen, die einen bedeutenden Einfluss auf Materialeigenschaften hätten. Schlussendlich gehe es für Prof. Friederich darum, die vielversprechendsten Kandidaten im Labor herzustellen, um so die Voraussagen zu bestätigen. Zudem liege für ihn eine weitere Stärke von KI darin, auf der Basis von automatisierten Experimenten weitere Experimente vorzuschlagen.

Immenser Zeitgewinn durch KI

Künstliche Intelligenz hat jedenfalls das Zeug, den Aufwand für die Materialforschung und -entwicklung ebenso zu reduzieren wie die zu investierende Zeit. Eine verlockende Perspektive für Abteilungen und Einrichtungen, die Forschung und Entwicklung betreiben, gerade in Branchen mit einem hohen Wettbewerbsdruck, der die Zeiträume für Entwicklungen zusehends beschneidet. Was die Leistungsfähigkeit von KI anbetrifft, so ließ die Google-Tochter Deepmind Ende 2023 aufhorchen. Ihr sei es KI-unterstützt gelungen, binnen eines Jahres zwei Millionen neue Materialien zu entdecken. Die Basis war eine Datenbank, in der Forscher aus aller Welt seit 2011 rund 50.000 Materialien beschrieben hatten. Deepmind glaubt, dass sich 400.000 der neuen Verbindungen zeitnah unter Laborbedingungen produzieren ließen. Diese könnten helfen, schnellere Computerchips, effizientere Solarpanels oder leistungsfähigere Batterien herzustellen.

In dieser Hinsicht deutlich weiter ist ein Team von Microsoft, das mit einer Forschungseinrichtung des US-amerikanischen Energieministeriums zusammenarbeitet. In nur neun Monaten analysierte es mit mehreren KI-Modellen 32 Millionen Substanzen, um am Ende den vielversprechendsten chemischen Stoff herauszufiltern, der Batterien leistungsfähiger machen soll. Zum Vergleich: Die Entwicklung der Lithium-Ionen-Batterie dauerte rund 20 Jahre. Derzeit befasst sich die kooperierende Forschungseinrichtung damit, die von der KI vorgeschlagene Rezeptur aus Lithium, Natrium und einigen weiteren Elementen zu testen. Im Erfolgsfall ließe sich der Lithiumgehalt in Batterien um bis zu 70 Prozent reduzieren. Microsoft-Vizepräsident Jason Zander zog angesichts des Tempos, mit dem das aussichtsreiche Batteriematerial dank KI identifiziert worden sei, ein euphorisches Fazit: „Wir stehen am Beginn einer neuen Ära wissenschaftlicher Entdeckungen.“