KI verändert die Suche nach neuen Materialien

Künstliche Intelligenz soll die Entwicklung neuer Werkstoffe beschleunigen. Ein internationales Netzwerk aus Technologieunternehmen, Industrie und Forschung verbindet dafür Materialdaten, generative KI, atomare Simulationen und Laborexperimente.

Die Entwicklung neuer Materialien folgt bislang häufig einem aufwendigen Prozess: Eine chemische Verbindung wird hergestellt, ihre Eigenschaften werden untersucht und anschließend wird nach geeigneten Anwendungen gesucht. KI-gestützte Verfahren können diesen Ablauf umkehren. Statt von einer vorhandenen Verbindung auszugehen, definieren Fachleute zunächst die gewünschten Eigenschaften eines Materials. Algorithmen suchen anschließend nach möglichen Zusammensetzungen, die diese Anforderungen erfüllen könnten.

Ein Beispiel für diesen Ansatz ist die 2026 gestartete „AI Materials Foundry“. Nach Angaben des beteiligten britischen Unternehmens CuspAI haben sich dafür mehr als 45 Unternehmen zusammengeschlossen. Zum Netzwerk gehören unter anderem Nvidia, Meta, Samsung und Henkel. Die beteiligten Partner bringen unterschiedliche Kompetenzen ein, von Hochleistungsrechnern und KI-Modellen bis zur Chemie und industriellen Materialentwicklung.

Vom Werkstoff zur gewünschten Eigenschaft

Im Zentrum steht das sogenannte inverse Materialdesign. Dabei beginnt die Suche nicht mit der Frage, welche Eigenschaften ein bereits bekanntes Material besitzt. Ausgangspunkt sind vielmehr Anforderungen an einen noch nicht existierenden Werkstoff.

Solche Anforderungen können beispielsweise mechanische, thermische oder chemische Eigenschaften betreffen. Ein Material könnte etwa eine bestimmte Festigkeit mit einer hohen Temperaturbeständigkeit verbinden oder unter definierten Umgebungsbedingungen stabil bleiben. Die KI soll aus diesen Vorgaben mögliche Moleküle, Kristallstrukturen oder Materialzusammensetzungen ableiten.

Damit verändert sich auch die Rolle der Simulation. Statt eine überschaubare Zahl bereits bekannter Kandidaten zu untersuchen, können rechnergestützte Verfahren sehr große Mengen potenzieller Strukturen bewerten. Atomare Modelle beschreiben dabei unter anderem die Wechselwirkungen zwischen den beteiligten Atomen. Physikalische Simulationen können anschließend Hinweise darauf liefern, ob eine vorgeschlagene Struktur energetisch plausibel ist und welche Eigenschaften zu erwarten sind.

Die KI ersetzt damit nicht die physikalischen Grundlagen der Materialforschung. Sie nutzt vielmehr vorhandene Daten und Modelle, um den Suchraum effizienter zu durchsuchen und mögliche Kandidaten zu identifizieren.

Daten werden zur zentralen Ressource

Eine wesentliche Voraussetzung für solche Systeme sind hochwertige Materialdaten. KI-Modelle können nur dann verlässliche Prognosen erstellen, wenn sie mit ausreichend umfangreichen und geeigneten Daten trainiert wurden. Entscheidend ist dabei nicht allein die Menge. Auch die Qualität, Vergleichbarkeit und fachliche Einordnung der Daten spielen eine wichtige Rolle.

Für die AI Materials Foundry sollen unter anderem große wissenschaftliche Datenbestände genutzt werden. Dazu zählen die Cambridge Structural Database für organische und metallorganische Strukturen sowie die Inorganic Crystal Structure Database für anorganische Kristallstrukturen. Letztere wird vom FIZ Karlsruhe betrieben.

Damit rückt eine Frage in den Mittelpunkt, die für die Digitalisierung der Materialforschung grundsätzlich relevant ist: Wie lassen sich heterogene Forschungs- und Versuchsdaten so strukturieren, dass sie von unterschiedlichen KI-Modellen verarbeitet und miteinander verglichen werden können?

Neben Daten benötigt die Entwicklung erhebliche Rechenleistung. Wenn potenzielle Materialien auf atomarer Ebene simuliert werden, entstehen große Mengen an Berechnungen. Hochleistungsrechner und spezialisierte Hardware können dabei helfen, die Zahl der untersuchbaren Kandidaten deutlich zu erhöhen.

Von der Simulation ins Labor

Ein rechnerisch vielversprechendes Material ist allerdings noch kein fertiger Werkstoff. Zwischen einer theoretisch geeigneten Struktur und einem industriell nutzbaren Material liegen weitere Entwicklungsschritte.

Deshalb verbindet der Ansatz der AI Materials Foundry die digitale Suche mit einer experimentellen Überprüfung. Aus der großen Zahl rechnerisch erzeugter Kandidaten sollen geeignete Strukturen ausgewählt, tatsächlich hergestellt und anschließend im Labor untersucht werden.

Dieser Übergang von der Simulation zum Experiment ist entscheidend. Modelle arbeiten mit Annahmen und verfügbaren Daten. Reale Materialien können sich aufgrund von Herstellungsverfahren, Verunreinigungen, Prozessbedingungen oder Wechselwirkungen mit anderen Stoffen anders verhalten als vorhergesagt. Erst experimentelle Untersuchungen zeigen, ob ein theoretischer Kandidat tatsächlich hergestellt werden kann und die erwarteten Eigenschaften besitzt.

Damit entsteht eine Prozesskette aus Daten, KI, Simulation, Herstellung und experimenteller Validierung. Die Ergebnisse aus den Experimenten können wiederum neue Daten liefern und damit die Grundlage für weitere Berechnungen verbessern.

Fachexpertise bleibt entscheidend

Mit zunehmender Automatisierung der Suche verändert sich die Arbeit der Fachleute, sie wird jedoch nicht überflüssig. KI kann Strukturen vorschlagen und große Datenmengen auswerten. Die fachliche Bewertung der Ergebnisse bleibt eine zentrale Aufgabe.

Ingenieurwissenschaftliches und naturwissenschaftliches Wissen ist erforderlich, um Anforderungen sinnvoll zu formulieren, Simulationsergebnisse einzuordnen und geeignete Kandidaten für die praktische Erprobung auszuwählen. Hinzu kommen Fragen der Herstellbarkeit, der Dauerhaftigkeit, der Sicherheit, der Umweltverträglichkeit und der späteren Anwendung.

Gerade bei Werkstoffen für technische Anwendungen reicht es nicht aus, einzelne Kennwerte zu optimieren. Ein Material muss in einem konkreten System funktionieren. Für ein Bauteil können beispielsweise neben der Festigkeit auch Ermüdungsverhalten, Temperaturbeständigkeit, Korrosion, Fertigbarkeit oder Recyclingfähigkeit relevant sein. Welche Eigenschaften tatsächlich erforderlich sind, hängt vom jeweiligen Einsatzgebiet ab.

Die Qualität des Ergebnisses hängt deshalb nicht allein vom KI-Modell ab, sondern von der gesamten Entwicklungskette. Datenbasis, Modellierung, Simulation, Versuch und fachliche Bewertung müssen zusammenpassen.

KI-gestützte Materialforschung ist bereits etabliert

Der Einsatz künstlicher Intelligenz in der Materialforschung ist dabei kein vollständig neues Forschungsfeld. Auch andere Projekte nutzen KI, um aus vorhandenen Materialdaten neue Zusammensetzungen abzuleiten oder bekannte Werkstoffe gezielt weiterzuentwickeln.

In Deutschland bildet unter anderem die Forschungsinitiative MaterialDigital eine Infrastruktur für die digitale Materialforschung. Ziel ist es, Daten und Methoden für die Entwicklung und Nutzung digitaler Modelle zugänglich zu machen und Forschungseinrichtungen miteinander zu vernetzen.

Der neue Ansatz liegt daher weniger darin, KI erstmals auf Materialien anzuwenden. Interessant ist vielmehr die Verbindung verschiedener Bausteine in größerem Maßstab. Materialdaten, generative Modelle, atomare Simulationen, Recheninfrastruktur und experimentelle Einrichtungen sollen zu einem durchgängigen Entwicklungsprozess zusammengeführt werden.

Für die industrielle Forschung könnte dies vor allem dort relevant werden, wo klassische Entwicklungsverfahren sehr viele mögliche Materialvarianten berücksichtigen müssten. Die rechnergestützte Vorauswahl könnte dazu beitragen, die Zahl der notwendigen Laborversuche zu reduzieren und Forschungsressourcen gezielter einzusetzen.

Neue Möglichkeiten, aber auch neue Prüfaufgaben

Mit der zunehmenden Nutzung von KI in der Materialentwicklung entstehen zugleich neue Anforderungen an die Nachvollziehbarkeit. Wenn ein Algorithmus eine bislang unbekannte Materialstruktur vorschlägt, muss nachvollziehbar bleiben, auf welcher Datengrundlage und mit welchen Modellen die Bewertung erfolgt ist.

Auch die Frage nach der Übertragbarkeit von Simulationsergebnissen auf reale Anwendungen bleibt relevant. Ein rechnerisch günstiger Kandidat muss nicht automatisch wirtschaftlich herstellbar oder für eine konkrete technische Anwendung geeignet sein.

Die weitere Entwicklung wird deshalb nicht nur davon abhängen, wie leistungsfähig KI-Modelle und Rechner werden. Entscheidend ist auch, wie gut Dateninfrastrukturen, Simulationsverfahren und experimentelle Methoden miteinander verbunden werden können. Mit der AI Materials Foundry wird dieser Ansatz nun von einem internationalen Netzwerk aus Technologieunternehmen und Industriepartnern in größerem Maßstab verfolgt.

Quelle: https://kurzlinks.de/t5e3