Mit KI auf Werkstoffjagd: Warum die Materialforschung jetzt durchstartet

Wie findet man ein Material, das Batterien stabiler macht, Solarzellen effizienter oder die Wärmeableitung in Quantencomputern verbessert? Lange Zeit glich dieser Prozess einer Nadel im Heuhaufen: Forscher kombinierten Elemente nach Gefühl und Erfahrung, führten zahllose Synthesen durch und hofften auf einen glücklichen Zufall. Heute revolutionieren Künstliche Intelligenz und maschinelles Lernen diese jahrhundertealte Disziplin. Algorithmen durchkämmen riesige Datenbestände, erkennen Muster, die dem menschlichen Auge verborgen bleiben, und sagen die Eigenschaften noch nie hergestellter Verbindungen voraus. Der Wandel ist so tiefgreifend, dass führende Materialwissenschaftler von einem „Raketenantrieb” für ihr Fachgebiet sprechen.

Das Erbe der Zufallsentdeckung

Die Geschichte der Materialforschung ist voller berühmter Zufälle: Teflon, das bei einem Kälteexperiment entstand, oder der Klebstoff der Post-it-Zettel, der eigentlich eine Fehlcharge war. Über Jahrhunderte blieb die Werkstoffentwicklung ein mühsames Trial-and-Error-Spiel. Selbst in den 1990er Jahren, als erste Computer-Berechnungen Einzug hielten, waren die Möglichkeiten noch begrenzt. „Wir modellierten kleine Systeme und hofften, dass die Vorhersagen in der Praxis bestätigt würden”, erinnert sich Gerbrand Ceder, Materialwissenschaftler an der University of California, Berkeley. Ceder gilt als Pionier des computergestützten Materialdesigns. Die grundlegende Hürde blieb jedoch: Der chemische Raum - also die schier unendliche Zahl denkbarer Kombinationen von Elementen - war mit konventionellen Methoden nicht systematisch zu durchforsten.

Der Sprung ins Datenzeitalter

In den letzten fünf Jahren hat sich das Bild radikal gewandelt. „Maschinelles Lernen hat die Fähigkeit, Systeme zu modellieren, grundlegend verändert”, sagt Ceder. „Wir erleben einen wahrhaft transformativen Effekt, es geht unglaublich schnell - wie auf einem Raketenbooster.” Der Grund: Statt jedes Material einzeln zu berechnen, trainieren Forscher neuronale Netze auf riesigen Datenbanken mit bekannten Kristallstrukturen und deren Eigenschaften. Das trainierte Modell lernt die zugrunde liegenden physikalischen Gesetze und kann dann für Hunderttausende hypothetische Verbindungen Vorhersagen treffen - in Minuten, für die früher Jahre an Rechenzeit nötig gewesen wären. Ceder hat das Start-up Radical AI mitgegründet, das genau diesen Ansatz verfolgt: moderne Werkstoffe mithilfe künstlicher Intelligenz zu entwickeln. Zugleich verweist er auf ein strukturelles Problem: Die Publikationsflut ist enorm. „Es werden Millionen von Forschungsarbeiten pro Jahr veröffentlicht. Wir müssen uns fragen, ob unser bisheriger Weg - jeder arbeitet allein im Labor und publiziert dann - noch der richtige ist”, gibt er zu bedenken. Auch hier könne KI helfen, die Informationsfülle zu bewältigen und versteckte Zusammenhänge aufzudecken.

Vom Labor ins Rechenzentrum: Die nationale Dimension

Stephen Streiffer, Direktor des Oak Ridge National Laboratory, sieht in der KI-gestützten Materialforschung einen entscheidenden Hebel - nicht zuletzt im globalen Wettlauf. „Die internationale Konkurrenz ist hart, und der zukünftige Erfolg der Nation hängt davon ab, Rennen in Künstlicher Intelligenz, Quantentechnologie und kritischen Mineralien zu gewinnen”, betont er. Sein Labor ist Teil der Genesis Mission, die alle 17 nationalen Labore des US-Energieministeriums mit Universitäten und Industrie zusammenbringt, um KI und Quantencomputing für die Entdeckung neuer Materialien einzusetzen. „In der wissenschaftlichen Forschung können wir KI nutzen, um enorme, hochqualitative Datensätze besser zu verstehen und das volle Potenzial unserer fortschrittlichsten wissenschaftlichen Instrumente auszuschöpfen”, erklärt Streiffer. Der Traum: neue Verbindungen für effizientere Solarzellen, leistungsfähigere Batteriematerialien oder supraleitende Drähte zielsicher zu identifizieren, bevor man sie im Labor synthetisiert. Das spart nicht nur Zeit und Geld, sondern öffnet auch Türen zu Materialien, die auf herkömmlichem Weg vielleicht nie entdeckt worden wären. Der Erfolg solcher Ansätze werde, so Streiffer, den Rückblick in 50 Jahren prägen: „Wir werden staunen, wie uns die Genesis Mission geholfen hat, Herausforderungen zu lösen, an denen wir jahrzehntelang gearbeitet haben.”

Kultureller Umbruch: Die junge Garde drängt nach vorn

Die Technologie trifft auf einen tiefgreifenden Wandel in der Forschungskultur. Ceder beobachtet, dass junge Wissenschaftlerinnen und Wissenschaftler die KI mit einer Selbstverständlichkeit nutzen, die ältere Generationen erst lernen müssen. „Die Jungen kaufen das komplett, sie sind total überzeugt davon”, sagt er. Sein Rat an den Nachwuchs lautet, früh auf ein vielversprechendes Feld zu setzen: „Man kann in einem Gebiet entweder der Erste oder der Beste sein. Es ist viel einfacher, der Erste zu sein.” Wer heute in der KI-gestützten Materialforschung an vorderster Front forscht, gestaltet die Zukunft des Fachs aktiv mit. Streiffer ergänzt, dass sich junge Forscher bewusst machen sollten, wie ihre Arbeit ins große Ganze passt - nur so lasse sich die Motivation für die langen und oft mühsamen Entwicklungszyklen aufrechterhalten. Beide sind sich einig: Die kommende Generation wird die Art, wie Materialwissenschaft betrieben wird, grundlegend umkrempeln.

Engpässe und die Rolle des Menschen

So verheißungsvoll die Entwicklung ist, sie bleibt nicht ohne Hürden. Die Qualität der Vorhersagen hängt entscheidend von der Qualität und Menge der Trainingsdaten ab. Viele Materialdatenbanken sind lückenhaft oder fehlerbehaftet. Zudem können KI-Modelle zwar faszinierende Kandidaten vorschlagen, deren tatsächliche Synthese aber scheitern, weil kinetische oder thermodynamische Fallstricke auftreten, die das Modell nicht erfasst hat. Hinzu kommt der kulturelle Trägheitseffekt: Nicht jeder etablierte Forscher akzeptiert, dass die neuen Werkzeuge die traditionelle Vorgehensweise verdrängen könnten. Ceder beobachtet jedoch eine wachsende Offenheit: Die Dringlichkeit, schneller zu besseren Materialien zu kommen - etwa für die Energiewende oder die Quanteninformatik - erzwingt den Wandel. Die Rolle des Menschen verschiebt sich vom reinen Experimentator zum kuratierenden Gestalter, der die Vorschläge der Algorithmen kritisch prüft und die vielversprechendsten Kandidaten ins Labor bringt.

Was jetzt passieren muss

Die Richtung ist klar: Der traditionelle Laborzyklus - mischen, messen, hoffen - weicht zunehmend einem datengetriebenen Designprozess. Wenn sich die Prognosen von Forschern wie Ceder und Streiffer bewahrheiten, könnten wir in wenigen Jahrzehnten auf die heutige Herangehensweise ähnlich zurückblicken wie auf die Alchemie. Materialien, die heute noch Science-Fiction sind - etwa hochtemperatur-supraleitende Drähte für verlustfreie Stromnetze - rücken damit in den Bereich des Möglichen. Der Raketenbooster ist gezündet, und er wird die Materialwissenschaft an Orte tragen, von denen man vor wenigen Jahren nur träumen konnte.

Quellen:

• Gerbrand Ceder (Scientific American)
• Inside the start-up aiming for a giant leap in robot intelligence (New Scientist)
• Losing Faith in People? A Pig and a Potato Chip Explain Why (Psychology Today - Articles)
• Stephen Streiffer (Scientific American)
• Are useful and error-free quantum computers only two years away? (New Scientist)
• Ayanna Howard (Scientific American)

// weiterlesenEin Thorium-Kern tickt jetzt wirklich - und jagt die dunkle MaterieWeltraumVier Pinguinarten statt eine: Warum der vermeintliche Klimagewinner jetzt neu bewertet wirdKlimaDas Büroklammer-Material: Stabil in Sekunden und sofort wieder loseTechnologie

Kinetyra