Schematische Darstellung des beschleunigten Verfahrens zur Katalysatorsuche. (Quelle: ACS Catal. 2026)

 

Ein SDL (Selbststeuerndes Labor, Self-Driving Laboratory, SDL), kombiniert eine KI zur Versuchsplanung mit Laborautomatisierung und Robotik. Im Wettlauf um die Entwicklung besserer Materialien werden KI und SDLs oft vor allem aus einem Grund gepriesen: ihrer Geschwindigkeit. Diese Systeme können neue Materialien schnell testen und optimieren und hel-fen Forschenden so, in einem Bruchteil der üblichen Zeit bessere Lösungen zu finden. Kritiker haben jedoch wichtige Bedenken geäußert: Wenn KI lediglich bessere Ergebnisse liefert, ohne zu erklären, warum sie funktionieren – ist das dann noch echter wissenschaftlicher Fortschritt, und wie lässt sich die Zuverlässigkeit der KI kontrollieren?

 

Eine neue Studie, veröffentlicht in ACS Catalysis von der Theorieabteilung unseres Instituts in Zusam-menarbeit mit BASF und dem BasCat – UniCat BASF JointLab, zeigt, dass Geschwindigkeit nicht auf Kos-ten von Erklärbarkeit gehen muss. Das Team entwickelte einen fortschrittlichen KI-gestützten Ansatz, der nicht nur die Entdeckung von Katalysatoren beschleunigt, sondern auch erklärt, warum die identifi-zierten Materialien besser funktionieren. Dieser Ansatz wurde erfolgreich an einer zentralen industriel-len Reaktion demonstriert: der Umwandlung von Propan in Propylen – einem essenziellen Baustein der chemischen Industrie und Ausgangsstoff für eine Vielzahl alltäglicher Produkte, darunter Kunststoffe und synthetische Fasern.

 

Von „Black-Box“- zu „Gray-Box“-KI

Die meisten aktuellen KI-gestützten Ansätze der Materialforschung konzentrieren sich darauf, möglichst schnell das beste Material zu finden.

Dabei verhalten sie sich oft wie „Black Boxes“, die Ergebnisse lie-fern, jedoch ohne Erklärungen zu geben. Das kann für die Optimierung nützlich sein, lässt Forschende jedoch mit einem recht begrenzten Verständnis der zugrunde liegenden Chemie zurück. In der aktuellen Studie wurde ein anderer Ansatz verfolgt: Durch die gezielte Gestaltung der Vorgehensweise der KI bei der Untersuchung möglicher Materialkombinationen konnte eine Leistungssteigerung erzielt werden, während gleichzeitig aussagekräftige Erkenntnisse gewonnen wurden – ein Ansatz, der als „Gray Box“ bezeichnet wird und das Verfahren transparenter und besser kontrollierbar macht.

 

Verständnis und Effizienz vereint

Der Ansatz erlaubte nicht nur die schnelle Identifizierung eines Katalysators, der besser als der aktuelle Industriestandard ist, sondern übersetzte die verbesserte Leistung auch in eine für Chemiker verständli- che Sprache. Er hob den Einfluss einzelner Promotoren im identifizierten Katalysator hervor und insbe-sondere die synergetischen Wechselwirkungen zwischen ihnen, die in früheren herkömmlichen Studien verborgen blieben. Gleichzeitig ist die Methode äußerst effizient: Weniger als 50 Experimente waren erforderlich, um einen Designraum mit mehr als 10¹³ (also

10.000.000.000.000) möglichen Promotor-Kombinationen zu durchsuchen.

 

Insgesamt zeigt die Studie, dass KI und Automatisierung in der Chemie nicht auf Kosten des Verständnisses gehen müssen. Durchdacht eingesetzt können diese Technologien die Materialentwicklung grundlegend verändern – weg Trial-and-Error hin zum echten Verständnis. Letztlich wird dies dazu führen, dass KI als aktiver Partner bei wissenschaftlichen Entdeckungen fungiert und nicht nur als effizientes, aber kaum bewertbares Werkzeug.

 

Originalpublikation:

Charles W. P. Pare, Aybike Terz, iChristian Kunkel, Michael Geske, Raoul Naumann d’Alnoncourt, Christoph Scheurer, Frank Rosowski, Karsten Reuter: “Adaptive Experiment Planning for Inverse Design and Understanding: Synergistic Interactions as Key to Optimized Multi-Promoter Formulations”; ACS Catalysis 2026

https://pubs.acs.org/doi/10.1021/acscatal.6c00286

 

Siehe auch:

https://www.fhi.mpg.de/