In einem Labor in Manhattan versucht KI, die Materialentdeckung von Jahrzehnten auf Tage zu verkürzen

Die Materialwissenschaft bekommt ihr eigenes Modell eines autonomen Labors

In einem Labor in Midtown Manhattan mischt ein Robotersystem Elemente, schmilzt Legierungen, analysiert Strukturen und testet Leistungen mit minimalem menschlichem Eingriff. Das Ziel ist nicht bloße Automatisierung. Es geht darum, der KI zu ermöglichen, neue Materialien vorzuschlagen, die nötigen Experimente zu ihrer Bewertung durchzuführen, aus den Ergebnissen zu lernen und den Zyklus in einem Tempo zu wiederholen, das die traditionelle Materialforschung nur selten erreicht.

Das Labor gehört dem Startup Radical AI, das behauptet, sein Ansatz könne den Weg zu neuen Industriematerialien verkürzen, etwa für langlebigere Düsentriebwerke oder Fusionsenergiesysteme. Die Behauptung des Unternehmens ist, dass KI mehr kann als bekannte Formeln zu durchsuchen. Sie kann helfen, die gesamte Entdeckungsschleife zu steuern.

Warum Materialentdeckung so schwierig ist

Die Entwicklung eines neuen Materials ist oft ein sehr langsamer Prozess. Wissenschaftler formulieren Hypothesen, synthetisieren einen Kandidaten, charakterisieren ihn, testen ihn und überarbeiten dann die Hypothese auf Basis des Ergebnisses. Fast Company zufolge kann dieser Zyklus 20 Jahre oder länger dauern. Diese Verzögerung ist wichtig, weil die Nachfrage nach neuen Materialien steigt, während die Welt gleichzeitig mit Knappheit, Leistungsgrenzen und der Umweltlast von Gewinnung und Produktion zu kämpfen hat.

Mit anderen Worten: Die Materialwissenschaft steckt voller hochgradig wertvoller Probleme, ist aber durch die experimentelle Geschwindigkeit begrenzt. Das macht sie zu einem natürlichen Einsatzfeld für KI-Systeme, die große Designräume durchsuchen können, und für Robotik, die viele wiederholte Tests ausführen kann, ohne auf menschliche Arbeitszeiten zu warten.

Wie Radical AI sein System beschreibt

Laut dem Quelltext kann das KI-System des Unternehmens 10.000 wissenschaftliche Arbeiten in fünf Sekunden prüfen. Wenn das Team ein Problem angeht, gibt es dem System einen Satz gewünschter Materialeigenschaften. Anschließend greift die KI auf 380.000 Arbeiten und 57 Millionen Datenpunkte aus dem Labor zurück, darunter fehlgeschlagene Experimente, die in der veröffentlichten Literatur normalerweise nicht auftauchen.

Dieser letzte Punkt ist wichtig. In der Wissenschaft enthalten Misserfolge oft Informationen, die helfen, einen Suchraum einzugrenzen, doch sie sind außerhalb interner Notizbücher selten sichtbar. Radicals System nutzt sie als Teil seines Arbeitsgedächtnisses und schlägt dann irgendwo zwischen einem Dutzend und einigen hundert Kandidatenmaterialien zum Testen vor.

Ein selbstfahrendes Labor, nicht nur eine Vorhersagemaschine

Das Labor basiert auf Standardgeräten der Materialwissenschaft, der Arbeitsablauf ist jedoch stark automatisiert. Fast Company berichtet, dass das Setup bis zu 50 Experimente pro Tag durchführen kann und bis zum Ende des Sommers 100 pro Tag anstrebt. CEO Joseph Krause vergleicht das mit einem menschlichen Materialwissenschaftler, der möglicherweise 50 Experimente im Jahr schafft.

Das bedeutet nicht, dass Menschen aus dem Prozess verschwinden. Es bedeutet, dass sich menschliche Forscher auf Zieldefinition, Auswertung der Ergebnisse und die Entscheidung über die wirklich wichtigen Richtungen verlagern. Radicals Ansatz ist, dass sich ein Wissenschaftler auf mehrere Probleme konzentrieren kann, weil das System einen Großteil der Literaturrecherche, Hypothesengenerierung und experimentellen Durchführung übernimmt.

Was sich dadurch ändern könnte

Wenn sich das Modell bewährt, könnte es eine der hartnäckigsten Beschränkungen in der industriellen F&E verändern: die Zeit, die nötig ist, um von einem gewünschten Eigenschaftsprofil zu einem brauchbaren neuen Material zu gelangen. Schnellere Entdeckung würde die Kommerzialisierung nicht garantieren, könnte aber den Trichter massiv verbreitern, indem Forscher mehr Ideen testen und schlechte früher verwerfen können.

Das Unternehmen hat im vergangenen Jahr in einer Seed-Runde 55 Millionen Dollar eingesammelt, was zeigt, wie viel Investorenaufmerksamkeit in KI-Systeme fließt, die nicht nur Wissenschaft zusammenfassen, sondern sie in engerer Schleife mit physischer Hardware ausführen wollen. Das ist eine schwieriger zu verifizierende Behauptung als ein Software-Benchmark. Aber genau diese Behauptung ist entscheidend, wenn KI die Forschung in der realen Welt verändern soll.

Warum dieses Labor heraussticht

• Das System kombiniert KI-gestützte Hypothesengenerierung mit einem automatisierten experimentellen Workflow.
• Es stützt sich sowohl auf veröffentlichte Literatur als auch auf Dutzende Millionen interne Labordatenpunkte.
• Das Unternehmen sagt, das Labor könne bereits 50 Experimente pro Tag durchführen, mit dem Ziel von 100.

Über Jahre wurde die Rolle von KI in der Wissenschaft oft abstrakt beschrieben. Radical AI formuliert ein viel konkreteres Argument: Die Zukunft der Entdeckung könnte von Maschinen abhängen, die ihre eigenen Ideen lesen, schlussfolgern und dann mit industrieller Geschwindigkeit physisch testen können.

Dieser Artikel basiert auf der Berichterstattung von Fast Company. Den Originalartikel lesen.