|
Getting your Trinity Audio player ready...
|
KI-Modelle für die Materialentwicklung liefern überzeugende Rezepturen, die im realen Labor oft scheitern. Die Ursachen sind bekannt: verzerrte Messdaten, fehlende Verarbeitungshistorie, ignorierte Oberflächen, zu viel Vertrauen in Sprachmodelle. Was können Agenten und Multiagentensysteme dagegen tun? Die vorliegenden Beispiele zeigen: Agenten können Simulationen orchestrieren, Experimente gezielter auswählen und Prüfschritte automatisieren. Die Frage, ob eine Messung überhaupt stimmt, beantworten sie nicht von selbst. Das zeigt der Fall des A‑Lab in Berkeley, dessen Nature-Veröffentlichung nach externer Kritik korrigiert wurde. Entscheidend wird, wer die Prüfer prüft.
Das Ausgangsproblem
Ein Modell, das auf Labordaten trainiert wurde, kennt nur, was in diesen Daten steht. In der Materialentwicklung führt das regelmäßig zu denselben Fehlern. Messwerte werden als gesicherte Wahrheit behandelt, obwohl Kalibrierung, Probenvorbereitung und Geräteeinstellung sie prägen. Die Verarbeitungshistorie eines Werkstoffs, also Temperatur, Scherung und Abkühlrate, fehlt im Datensatz, obwohl sie die Struktur verändert. Oberflächen und Grenzflächen bleiben unberücksichtigt, obwohl schon die Rauheit das Brandverhalten beeinflussen kann. Mehr Daten gelten als Ersatz für Erkenntnis. Und Sprachmodelle sollen Rezepturen vorschlagen, obwohl sie auf sprachliche Plausibilität trainiert sind und nicht auf physikalische Konsistenz.
Das sind keine neuen Einsichten. Sie haben einen gemeinsamen Kern: Das Modell sieht Zahlen, aber nicht die Bedingungen, unter denen sie entstanden sind. Die Frage ist, ob sich das mit Agenten eingrenzen lässt, also mit Systemen, die Aufgaben selbstständig planen, Werkzeuge aufrufen und sich in Gruppen spezialisierter Agenten die Arbeit teilen.
Ein Lehrstück: das A‑Lab
Im November 2023 berichtete ein Team um Gerbrand Ceder von der University of California in Berkeley und dem Lawrence Berkeley National Laboratory in Nature über das A‑Lab, ein autonomes Labor für die Festkörpersynthese anorganischer Pulver. Es kombinierte Rechnungen, Literaturdaten, maschinelles Lernen und aktives Lernen und stellte nach Angaben der Autoren in 17 Tagen 41 von 58 vorgegebenen Zielverbindungen her. Die Rezepte stammten aus Modellen, die auf Literaturdaten trainiert waren, und die Produkte wurden per Röntgenbeugung charakterisiert und automatisiert ausgewertet.
Robert Palgrave, Chemiker am University College London, und Leslie Schoop von der Universität Princeton stellten in einer Analyse in PRX Energy (2024) die zentrale Behauptung infrage, es seien viele zuvor unbekannte Materialien synthetisiert worden. Ceder hielt dagegen, diese Analyse sei nicht begutachtet und enthalte mehrere Fehler. Im Januar 2026 veröffentlichte Nature dann eine Korrektur der Autoren. Sie räumt ein, dass Bed…