KI-System entdeckt neue Materialien durch multimodale Daten und Roboter

Ein neuartiges KI-System namens Copilot for Real-world Experimental Scientists (CRESt), entwickelt von Forschern am MIT, revolutioniert die Materialentdeckung, indem es vielfältige Informationsquellen integriert und autonome Experimente durchführt. Im Gegensatz zu herkömmlichen maschinellen Lernmodellen, die meist nur auf eingeschränkten Datensätzen basieren, verarbeitet CRESt multimodale Daten – von wissenschaftlicher Literatur und chemischen Zusammensetzungen über Mikrostruktur-Bilder bis hin zu experimentellen Ergebnissen und menschlicher Rückmeldung. Die Plattform kombiniert Roboterhardware wie eine Flüssigkeitsverteilungsanlage, ein carbothermischer Schocksystem zur schnellen Material-Synthese, automatisierte elektrochemische Workstations und Mikroskope mit leistungsfähigen KI-Modellen. Forscher können mit dem System in natürlicher Sprache kommunizieren, ohne Programmierkenntnisse zu benötigen. Die KI analysiert die Daten, formuliert Hypothesen, plant Experimente und überwacht Prozesse mit Kameras und visuellen Sprachmodellen, um Abweichungen wie kleine Formverzerrungen oder fehlerhafte Pipettierungen zu erkennen und Korrekturen vorzuschlagen. Die Forscher nutzten CRESt, um über 900 chemische Zusammensetzungen zu testen und 3500 elektrochemische Messungen durchzuführen. Dabei entdeckten sie einen neuen Katalysator aus acht Elementen, der in einem Direkt-Formiat-Brennstoffzellen-System eine um das 9,3-Fache höhere Leistungsdichte pro Dollar im Vergleich zu reinem Palladium erzielte – und das mit nur einem Viertel der teuren Edelmetalle. Dieser Durchbruch zeigt das Potenzial von CRESt, langfristige Herausforderungen in der Energie- und Materialwissenschaft zu lösen, insbesondere die Abhängigkeit von kostspieligen Edelmetallen. Ein zentraler Fortschritt liegt in der Kombination von Bayesian Optimization mit aktiver Lernstrategien in einem reduzierten, wissensbasierten Suchraum. Vor jedem Experiment generiert CRESt aus der wissenschaftlichen Literatur und Datenbanken umfassende „Wissensdarstellungen“ der Rezepturen, die durch Hauptkomponentenanalyse komprimiert werden. Anschließend optimiert die KI die nächsten Experimente in diesem effizienten Raum und aktualisiert das Wissensbasis-Modell mit neuen experimentellen Daten und menschlicher Feedback – was die Effizienz des Lernprozesses erheblich steigert. Ein besonderes Problem, das die Forscher anging, war die Reproduzierbarkeit von Experimenten. Durch die Integration von Computer Vision und Sprachmodellen konnte CRESt selbstständig Muster erkennen, die zu Inkonsistenzen führten, und konkrete Lösungen vorschlagen. Obwohl menschliche Expertise weiterhin entscheidend bleibt, insbesondere beim Debugging, zeigt die Plattform, dass KI-Systeme heute bereits wertvolle Assistenten sind – nicht jedoch Ersatz für Forscher. „CRESt ist ein Assistent, kein Ersatz“, betont Ju Li. „Es erweitert menschliche Fähigkeiten, ermöglicht schnelleres Lernen und bringt uns näher an selbstfahrende Labore.“ Die Ergebnisse, veröffentlicht in Nature, markieren einen Meilenstein in der KI-gestützten Materialwissenschaft. Mit seiner Fähigkeit, menschliche Intuition, wissenschaftliche Literatur und automatisierte Experimente zu verbinden, könnte CRESt zukünftig die Entwicklung nachhaltiger, kostengünstiger und leistungsfähiger Materialien beschleunigen – von Batterien über Halbleiter bis hin zu Brennstoffzellen. Die Plattform demonstriert, dass die Zukunft der Forschung nicht in reiner Automatisierung, sondern in einer tiefen, kooperativen Zusammenarbeit zwischen Mensch und KI liegt.