KI und Materialforschung: Wie kann Künstliche Intelligenz Daten in innovative und intelligente Materialien verwandeln?

Entwicklung der KI-bezogenen Veröffentlichungen und Patente

In den letzten zehn Jahren hat KI ein exponentielles Wachstum erfahren. Dank einer starken Forschungsdynamik und Fortschritten bei Technologie und Datenverfügbarkeit ist die Zahl der wissenschaftlichen Veröffentlichungen und Patente in diesem Bereich in den letzten zehn Jahren stark angestiegen (CAGR 20 % bzw. 30 %). Die Vereinigten Staaten und China führen den Wettlauf um KI an, wobei insbesondere akademische Institutionen wie die Chinesische Akademie der Wissenschaften, das Massachusetts Institute of Technology (MIT) oder die Carnegie Mellon University wichtige Beiträge leisten. Aufgrund des enormen Potenzials und der vielversprechenden Zukunft der KI drängen zudem zahlreiche etablierte Unternehmen und Start-ups in diesen Bereich, was Innovationen weiter vorantreibt und das enorme Potenzial von KI in verschiedenen Branchen verdeutlicht.

Verbesserung des Materialfindungsprozesses durch Künstliche Intelligenz

Der Materialfindungsprozess dient der Identifizierung und Entwicklung neuer Materialien mit spezifischen Eigenschaften für verschiedene Anwendungen. Dieser mehrstufige Prozess stieß in der Vergangenheit aufgrund der Verwendung herkömmlicher Methoden, die nur eine beschränkte Geschwindigkeit im Entwicklungszyklus zuließen, an seine Grenzen. Mit dem Aufkommen von KI wird jedoch der gesamte Zyklus in allen Phasen beschleunigt und bereichert, was zu einer noch nie dagewesenen Beschleunigung des Entwickungsprozesses führt.

KI für die Identifizierung von Zukunftstrends

Dank Algorithmen, Natural Language Processing (NLP), Text-Mining oder Techniken wie Latent Dirichlet Allocation (LDA) helfen KI-Tools bei der Analyse von Markttrends, Wettbewerbern, Kundenrezensionen, Wirtschaftsindikatoren usw., um neue Anforderungen, Zukunftstrends und neue Fragen auf der Grundlage des aktuellen Bedarfs zu ermitteln.

KI für Literatur- und Hintergrundrecherche

Dank NLP- oder Machine-Learning-Algorithmen können KI-gestützte Tools wie ChemDataExtractor, tmChem oder IBM DeepSearch mit überwältigend großen Datenbanken arbeiten, die mit wissenschaftlichem Wissen (Patente, Papers, Berichte, …) gespeist und ständig aktualisiert werden.

Diese Tools können alle Daten aufnehmen und analysieren, um relevante Informationen, Schlüsselkonzepte, Muster, Korrelationen usw. zu extrahieren und zu identifizieren. Sie können die Ergebnisse sogar zusammenzufassen, um einen umfassenden Überblick über das vorhandene Wissen zu geben. Bislang war diese Phase eine der am meisten genutzten und es konnten zwei verschiedene Ansätze identifiziert werden:

• Open Source: Die KI-gestützten Tools suchen ausschließlich in der vorhandenen öffentlichen Literatur nach Informationen (z. B. Citrine informatics mit HRL Laboratories).
• Open Source + interne Informationen: Die KI-gestützten Tools werden ergänzend mit internen Daten gespeist, die vom Endkunden bereitgestellt werden (z. B. Chemintelligence).

KI für die Formulierung von Hypothesen

Auf der Grundlage der bereits analysierten Daten und der theoretischen Rahmenbedingungen kann die KI-gestützte Analyse mögliche Beziehungen zwischen Materialien, Eigenschaften und anderen Variablen ermitteln und neue Hypothesen vorschlagen.

KI für das Experimentieren mit neuen Materialien

• Vorhersage: KI-geschulte Modelle wie neuronale Netze und Regressionsalgorithmen können die Eigenschaften und das Verhalten neuer Materialien auf der Grundlage verschiedener Variablen wie ihrer Zusammensetzung oder Struktur vorhersagen. So kann die KI schnell umfangreiche Datenbanken potenzieller Materialzusammensetzungen durchforsten, ihre Eigenschaften vorhersagen und vielversprechende Materialien für weitere Untersuchungen identifizieren.
• Simulation: Durch KI-gesteuerte Materialsimulationen auf verschiedenen Ebenen (atomar, molekular, makro) können die zuvor gemachten Vorhersagen durch Modellierung des Verhaltens unter verschiedenen Bedingungen überprüft werden. Anschließend kann KI die Simulationsdaten abrufen und analysieren und dank generativer Modelle wie GAN (Generative adversarial Network) oder VAEs (Variation Autoencoder) neue Materialstrukturen vorschlagen, die wahrscheinlich die gewünschten Eigenschaften aufweisen. Auf diese Weise entsteht eine geschlossene Schleife, die so lange gespeist werden kann, bis eine gewünschte Anzahl von Lösungen vorgeschlagen wird, die den festgelegten Anforderungen entsprechen.
• Testen: Sobald die vorgeschlagene Lösung den gewünschten Eigenschaften entspricht, kann die KI virtuelle Experimente durchführen, um die Materialeigenschaften unter verschiedenen simulierten Bedingungen zu testen. Auf diese Weise lässt sich die Planung von realen physikalischen Experimenten (DoE) optimieren, indem die aussagekräftigsten Auswertungen ausgewählt werden, um den Informationsgewinn zu maximieren.

KI für die Datenanalyse der Eigenschaften neuer Materialien

KI-gestützte Tools ermöglichen die Vorverarbeitung und Bereinigung von Daten. Diese Tools können verschiedene Arten von Analysen durchführen (statistisch, multivariat, in Echtzeit…) und sogar in Simulations- und Versuchsmodelle integriert werden, um sofortiges Feedback und Erkenntnisse zu liefern, die es ermöglichen, die Versuchsbedingungen kontinuierlich zu optimieren.

KI für die Erstellung von maßgeschneiderten Ergebnisberichten

Dank NLP kann KI Berichte erstellen, die große Mengen an experimentellen Daten zusammenfassen, interaktive und innovative Visualisierungen enthalten (3D-Diagramme, Heatmaps usw.) und sogar Erkenntnisse aus Textdaten wie Labornotizen oder Forschungsartikeln integrieren.

Da das Potenzial von KI mit dem Wissen eines menschlichen Experten auf dem Gebiet maximiert werden kann, indem einige notwendige Merkmale bestimmt und einige Parameter fein abgestimmt werden, stehen die Forscher nach wie vor im Mittelpunkt des Innovationsprozesses. Die Anwesenheit eines Experten erhöht die Chancen der KI-gestützten generativen Modelle, eine Reihe möglicher Materialien vorzuschlagen, die dann im Labor bewertet und synthetisiert werden müssen.

Entdecken Sie unsere Beratungsleistungen im Bereich der Künstlichen Intelligenz >

3 Beispiele für Initiativen, die KI zur Entwicklung neuer Materialien nutzen

Initiative Nr. 1: A-Lab – ein innovatives Labor in Berkeley, das sich auf die Synthese neuartiger Materialien konzentriert

Das Department of Materials Science and Engineering in Berkeley hat das A-Lab entwickelt – ein autonomes Labor, das Künstliche Intelligenz (KI) einsetzt, um die Synthese neuartiger Materialien erheblich zu beschleunigen und die Lücke zwischen dem Screening am Computer und der experimentellen Herstellung neuer Materialien zu schließen.

Das A-Lab, das die Synthese neuartiger anorganischer Materialien beschleunigen soll, synthetisierte innerhalb von nur 17 Tagen 41 neue Verbindungen aus einer Reihe von 58 Vorschlägen. Durch die Nutzung von Daten aus dem Materials Project und Google DeepMind sowie von NLP-Modellen, die auf der Basis vergangener Literatur trainiert wurden, generierte und optimierte das autonome Labor Syntheserezepte durch aktives Lernen auf der Grundlage der Thermodynamik.

Das A-Lab demonstrierte die transformativen Auswirkungen von KI in der Materialwissenschaft, die eine schnellere Entwicklung, kontinuierliche Optimierung und Skalierbarkeit im Hochdurchsatz ermöglicht. Die Integration von KI und Robotik ermöglichte autonome, effiziente und präzise Syntheseprozesse, wodurch die Experimente mit minimalem menschlichen Eingriff reproduzierbar wurden.

Initiative Nr. 2: Altrove – ein französisches Start-up, das Alternativen zu seltene Erden enthaltenden Materialien schaffen will

Altrove ist ein französisches Start-up, das Künstliche Intelligenz (KI) einsetzt, um die Entdeckung und Entwicklung neuer Materialien zu beschleunigen, die für Technologien wie Elektrofahrzeuge oder moderne Elektronik wichtig sind. Das Unternehmen konzentriert sich insbesondere auf die Entwicklung von Alternativen zu Materialien, die seltene Erden enthalten, da der Abbau seltener Erden mit vielen geopolitischen und wirtschaftlichen Herausforderungen einhergeht.

Das Unternehmen setzt sich mit den komplexen Herausforderungen der Materialwissenschaft auseinander, indem es nicht nur potenzielle neue Materialien identifiziert, sondern auch präzise Rezepte für deren Synthese entwickelt. Dabei verwendet Altrove Modelle der Künstlichen Intelligenz zur Identifizierung stabiler anorganischer Materialien und anschließend zur Erstellung automatisierter Laborprozesse zur Synthese, Prüfung und Optimierung dieser Materialien.

Initiative Nr. 3: Citrine Informatics – ein US-Unternehmen, das Machine-Learning-Algorithmen einsetzt, um Wissenschaftler bei der Materialentwicklung zu unterstützen

Citrine Informatics ist ein US-amerikanisches Unternehmen, das sich auf die Materialindustrie konzentriert und Künstliche Intelligenz und datengesteuerte Methoden einsetzt, um die Entdeckung und Entwicklung von Materialien zu beschleunigen. Es nutzt fortschrittliche Algorithmen des maschinellen Lernens zur Analyse umfangreicher Datensätze in Bezug auf Materialeigenschaften, -zusammensetzung und -leistung. Dank seiner vier verschiedenen Produkte kann das Unternehmen ein KI-gestütztes Ökosystem schaffen, das es Wissenschaftlern und Ingenieuren ermöglicht, datengesteuerte Entscheidungen effektiver und effizienter zu treffen.

Die KI-gesteuerten Plattformen von Citrine wurden bereits von mehreren Unternehmen in der Materialbranche erfolgreich eingesetzt, um ihre Forschungs- und Entwicklungsarbeit zu optimieren.

Beispiele für Projekte:

• Neue Werkstoffe: HRL Laboratories ist eine Partnerschaft mit Citrine Informatics eingegangen, um die Entwicklung einer 3D-druckbaren Legierung für die Luft- und Raumfahrt zu beschleunigen. Das Team von HRL Laboratories suchte nach Nanopartikeln, die eine Mikrostruktur erzeugen, die weniger anfällig für Heißrisse ist. Anhand der gesuchten spezifischen Eigenschaften nutzte die KI-gestützte Software Citrine die klassische Keimbildungstheorie, die Regeln für Gitterabstände, die thermodynamische Stabilität sowie die Materialinformatik, um 11,5 Millionen Kombinationen von Pulvern und Nanopartikeln effizient zu untersuchen. Daraus wurden 100 vielversprechende Alternativen ermittelt. Das daraus resultierende Material AL 7A77 wurde schließlich innerhalb von zwei Jahren nach Projektbeginn auf den Markt gebracht, was im Vergleich zu herkömmlichen F&E-Verfahren eine drastische Zeitersparnis bedeutet.
• Verbesserte Eigenschaften: Ein weltweit führender Hersteller von Spezialchemikalien und Kunststoffen wandte sich an Citrine Informatics, um flexibler auf die Anforderungen eines Kunden reagieren zu können. Die Herausforderung bestand darin, die mechanischen Eigenschaften eines glasfaserverstärkten Polymers zu verbessern, während das übrige Eigenschaftsprofil beibehalten werden sollte. Die Citrine-Plattform wurde mit Kundentestdaten und Rezepturinformationen aus dem Portfolio aktualisiert, und die KI-Modelle wurden durch ein Verfahren namens Sequential Learning neu trainiert. Am Ende wurden aus den Billionen potenzieller Materialkandidaten 10 experimentelle Kandidaten vorgeschlagen, die die Leistung des vorherigen Materials um durchschnittlich 21 % verbesserten.

Zusammenfassend lässt sich sagen, dass die Integration von Künstlicher Intelligenz (KI) in die Materialwissenschaft die Forschung und Entwicklung für neuartige Materialien revolutioniert. KI-gesteuerte Methoden erleichtern die schnelle Analyse umfangreicher Datensätze, die prädiktive Modellierung von Materialeigenschaften und die Optimierung von Versuchsprotokollen und beschleunigen so den Innovationszyklus.

Trotz dieser Fortschritte ist der Weg noch lang, um das Potenzial von KI in der Forschung und Entwicklung voll auszuschöpfen. Herausforderungen bestehen weiterhin u. a. bei der Datenintegration, der Algorithmenentwicklung und der Umsetzung von KI-Wissen in praktische Anwendungen. Wenn Sie ein Projekt mit Bezug zu KI haben und es mit unserem Team besprechen möchten, zögern Sie nicht, uns zu kontaktieren!

Über den Autor, 

Vincent, Business Unit Manager in Alcimeds Chemie- und Materialteam in Frankreich