Die experimentelle Wissenschaft folgt typischerweise einem geschlossenen Kreislauf aus Hypothese, Experiment, Analyse und Iteration. Dieser Prozess war jedoch lange Zeit durch die Effizienz manueller Eingriffe, die Erfahrung von Experten und die Möglichkeiten der Datenverarbeitung begrenzt. In Bereichen wie Materialwissenschaften, Chemie und Festkörperphysik können großtechnische Forschungseinrichtungen wie Synchrotronstrahlungsquellen und Neutronenspallationsquellen die Struktur und Dynamik auf atomarer und molekularer Ebene aufdecken. Allerdings weisen auch sie Probleme wie Zeitmangel, komplexe Bedienung und eine hohe Abhängigkeit von erfahrenen Forschern auf.

Die Entwicklung künstlicher Intelligenz (KI) hat neue Möglichkeiten zur Steigerung der experimentellen Effizienz eröffnet. Während maschinelles Lernen in der Vergangenheit hauptsächlich zur Vorhersage von Materialeigenschaften, zur Optimierung von Versuchsparametern und zur Datenanalyse eingesetzt wurde, entwickelt sich KI dank kontinuierlicher Fortschritte in den Bereichen aktives Lernen, Robotik und große Sprachmodelle zunehmend von einem nachgelagerten Hilfsmittel zu einem aktiven Teilnehmer im experimentellen Prozess. Mithilfe strukturierter Werkzeugaufrufmechanismen kann KI nicht nur Daten analysieren, sondern auch Instrumente ansteuern, Parameter anpassen und auf Basis von Echtzeit-Feedback über den nächsten Schritt entscheiden.

Diese Fähigkeit ist besonders wichtig für Großanlagen wie die Röntgenstreuung. Mit der stetig steigenden Helligkeit der Lichtquelle und der zunehmenden Detektionsgeschwindigkeit wächst die Menge der experimentellen Daten rasant, und Probleme wie Probenverzerrungen, Geräteabweichungen und Signalfluktuationen treten immer deutlicher hervor. Herkömmliche, fest vorgegebene Skripte können Standardverfahren zwar abwickeln, stoßen aber bei experimentellen Situationen, die von den Erwartungen abweichen, an ihre Grenzen.

Auf dieser GrundlageEin Forschungsteam der Stanford University und des SLAC National Accelerator Laboratory hat ein „KI-Röntgenwissenschaftler“-System entwickelt und es an einer realen Strahlführung der Stanford Synchrotronstrahlungsquelle eingesetzt.Das Forschungsteam führte zunächst ein System-Debugging in einer virtuellen Strahlführung durch und migrierte dann zu realen Geräten, um zu testen, ob die KI in der Lage ist, mehrstufige Experimente autonom durchzuführen und plötzliche Abweichungen in der realen Umgebung durch die Lösung der Einkristall-Orientierungsmatrix zu bewältigen.

Die zugehörigen Forschungsergebnisse mit dem Titel „Ein agentischer, künstlich intelligenter Röntgenwissenschaftler“ wurden in Nature Machine Intelligence veröffentlicht.

Lesen Sie das Dokument:
https://www.nature.com/articles/s42256-026-01261-5

Datensatz: Grundlegende Parameter, virtuelle Simulation und tatsächliche Strahllinienmessungen

Die von den Forschern benötigten Daten lassen sich im Wesentlichen in drei Kategorien einteilen: grundlegende Parameter des Kristalls und des Instruments, Simulationsdaten, die aus virtuellen Strahlführungen generiert wurden, und experimentelle Daten, die aus realen Strahlführungen gewonnen wurden.

Als Kernverifizierungsprobe diente ein magnetisches Weyl-Halbmetall, Co₃Sn₂S₂. Das System erforderte die vorherige Erfassung von Informationen wie Kristallstruktur, Röntgenwellenlänge, Verfahrweg des Diffraktometermotors und Detektorgeometrie. Mithilfe dieser Daten berechnete die KI die theoretischen Positionen der Beugungspeaks und definierte die physikalischen und sicherheitstechnischen Grenzen für den Gerätebetrieb. Zur ergänzenden Verifizierung wurde außerdem einkristallines Silizium verwendet.

Um den Zeitaufwand für die eigentliche Maschine zu minimieren, baute das Forschungsteam eine virtuelle Strahlführung.Die Simulationsplattform erzeugt Beugungsbilder basierend auf der Geometrie des Sechs-Kreis-Diffraktometers und fügt Peakverbreiterung, Hardware-Rauschen und Signalverzerrung hinzu, um das Ergebnis so nah wie möglich an die Ergebnisse des realen Detektors heranzuführen.

Die Forscher integrierten zudem gezielt Motor-Offsets und Gitterparameterfehler in die Simulation. Die KI kann theoretische Werte nicht einfach kopieren; sie muss den tatsächlichen Zustand aus Beobachtungen ableiten und ihre Schlussfolgerungen kontinuierlich korrigieren. Darüber hinaus erstellte das Team anspruchsvollere Szenarien, wie größere Motor-Offsets, Mehrkorninterferenzen und begrenzte Ressourcen für die Schlussfolgerung, um die Stabilität des Systems zu testen.

Nach Abschluss des virtuellen Tests wurde das System an der Beamline BL17-2 der Stanford Synchrotron Radiation Facility (SSRL) eingesetzt. Zu den realen Daten gehörten Detektorbilder, Scankurven, Gerätestatus und Versuchsprotokolle. Im Vergleich zur Simulationsumgebung traten im realen Experiment zusätzlich Klemmfehler, Fehlausrichtungen der Geräte und zufälliges Rauschen auf – Probleme, die nicht im Vorfeld modelliert worden waren –, welche für die Prüfung der Anpassungsfähigkeit der KI entscheidend waren.

Ein autonomes experimentelles Beugungssystem basierend auf der Inferenz großer Modelle und dem Aufruf des MCP-Tools

Der „KI-Röntgenwissenschaftler“ besteht aus drei Teilen: einem großen Modell, das für die Analyse und Entscheidungsfindung zuständig ist, einer Werkzeuginteraktionsschicht, die für die Übermittlung von Anweisungen zuständig ist, und experimentellen Geräten zur Durchführung der eigentlichen Operationen.

Die drei sind über das Model Context Protocol, auch bekannt als MCP, miteinander verbunden. Die KI kann Proben- und Geräteinformationen auslesen, Detektorbilder und Scankurven anzeigen und Anweisungen für die Motorsteuerung, das Scannen von Spitzenwerten und die Datenanpassung generieren. Um die Sicherheit zu gewährleisten, greift die KI nicht direkt auf die zugrundeliegende Hardware zu, sondern interagiert über geschützte Schnittstellen mit dem Gerät.

Im virtuellen Test verglich das Forschungsteam Claude Sonnet 4 und Gemini 2.5 Flash;Das reale Strahlexperiment verwendet den Claude Opus 4, der über stärkere Schlussfolgerungsfähigkeiten verfügt.Das System benötigt kein erneutes Training des Modells; es stützt sich primär auf Eingabeaufforderungen, Versuchsanleitungen und Werkzeuganweisungen, um das große Modell beim Verständnis der Aufgabe zu unterstützen. Diese Eingabeaufforderungen legen nicht jeden Arbeitsschritt fest, sondern informieren die KI über das Versuchsziel, die verfügbaren Werkzeuge und die Sicherheitsregeln. Die Auswahl des Beugungsflecks, die Größe des Scanbereichs und der Umgang mit Störsignalen werden von der KI automatisch anhand von Echtzeitergebnissen bestimmt.

Der gesamte Prozess bildet eine geschlossene Schleife: Die KI liest zunächst die Informationen und berechnet die theoretische Position, steuert dann die Scan-Ausrüstung, analysiert anschließend die Beobachtungsergebnisse und passt die nächste Strategie entsprechend an. Der Unterschied zu einem festen Ablauf besteht darin, dass die KI bei Abweichungen der Messergebnisse von den Erwartungen die Ursache neu bewerten kann, anstatt den ursprünglichen Prozess mechanisch fortzusetzen.

Orientierungsfehler <5°, erfolgreiche Installation korrigierte 1,22° Versatz.

Diese Studie wählte die Bestimmung der Orientierungsmatrix eines Einkristalls als Testaufgabe. Vereinfacht ausgedrückt, ermittelt diese Arbeit die Beziehung zwischen dem Kristallkoordinatensystem und dem Laborkoordinatensystem – ein notwendiger Schritt in den meisten Einkristallstreuexperimenten. Die Lösung dieser Aufgabe erfordert typischerweise das Auffinden von mindestens zwei Beugungsflecken und die kontinuierliche Kalibrierung der Peakpositionen durch die koordinierte Bewegung mehrerer Motoren. Das Experiment beinhaltet die Bewältigung komplexer räumlicher Geometrien sowie die Identifizierung von Rauschen und anomalen Signalen und ist daher stark von der Erfahrung des Bedieners abhängig.

Im Rahmen des virtuellen Fundamenttests wurden mehrere Experimente mit Claude Sonnet 4 und Gemini 2.5 Flash durchgeführt. Die Ergebnisse sind in der folgenden Abbildung dargestellt.Bei allen Tests konnte der Zielbeugungsfleck erfolgreich lokalisiert werden, und der Orientierungsfehler der überwiegenden Mehrheit der Experimente lag unter 5°.In mehr als der Hälfte der Tests lag der Fehler der Gitterkonstante c innerhalb von 0,01 Å. Die Systemleistung verschlechterte sich bei zunehmendem Motor-Offset, polykristallinen Störungen oder abnehmenden verfügbaren Inferenzressourcen für das Modell. Die Auswirkungen begrenzter Inferenzressourcen waren am bedeutendsten. Dies deutet darauf hin, dass autonome Experimente nicht nur davon abhängen, ob das Modell die experimentellen Daten „kennt“, sondern auch von seiner Fähigkeit, ausreichende und kontinuierliche Analysen durchzuführen.

Das reale Strahlexperiment verwendet ein Modell mit KI-gestützter Entscheidungsfindung und menschlicher Unterstützung. Die KI generiert die Versuchsanweisungen, während das Personal vor Ort diese Anweisungen lediglich in die Geräte eingibt und weder an der Bestimmung der Peakposition noch an der Strategieauswahl beteiligt ist.

Im Co₃Sn₂S₂-Experiment wählte das KI-System zunächst den Beugungsfleck (0,0,6) für die Suche aus. Nach dem Scannen stellte es eine signifikante Abweichung zwischen der tatsächlichen und der theoretischen Peakposition fest und ermittelte, dass diese Abweichung auf eine Unebenheit des Probenhalters zurückzuführen sein könnte. Das System korrigierte daraufhin die η-Achsenverschiebung um ca. 1,22° und kalibrierte das Peakzentrum neu.

Nachdem der erste Beugungsfleck erfasst worden war, wählte die KI (1,0,10) als zweites Ziel aus und bestimmte die Orientierung des Kristalls in der Ebene durch Erweiterung des Scanbereichs entlang der φ-Achse. Während des Experiments traten im Detektorbild Beugungsringinterferenzen auf, die die KI jedoch nicht fälschlicherweise als Zielpeak des Einkristalls interpretierte und schließlich die Orientierungsmatrix berechnete.

In Experimenten mit einkristallinem Silizium führte das System die Suche und Ausrichtung auch bei schärferen Beugungspeaks und einer η-Achsenverschiebung von etwa 1,5° erfolgreich durch. Aufgrund von Zeitbeschränkungen bei der Verwendung realer Geräte konnte diese Studie noch nicht in großem Maßstab wiederholt werden und kann daher die Anwendbarkeit des Systems auf alle Proben und Strahlführungen noch nicht belegen. Die Experimente haben jedoch einen wichtigen Machbarkeitsnachweis erbracht.Große Sprachmodelle können durch kontinuierliche Beobachtung, Schlussfolgerung und Werkzeugaufrufe Verzerrungen erkennen, Strategien anpassen und experimentelle geschlossene Regelkreise in realen Umgebungen aufrechterhalten, die von Simulationen nicht vollständig abgedeckt werden.

Dies bedeutet, dass die Rolle großer Sprachmodelle in der wissenschaftlichen Forschung nicht länger auf Literaturrecherche, Codegenerierung und Offline-Datenanalyse beschränkt sein dürfte. Durch die Kombination mit spezialisierten Werkzeugen, sicheren Schnittstellen und physikalischen Regeln wird erwartet, dass sie sich zu einem Forschungspartner entwickeln, der in der Lage ist, an Gerätebedienung, experimentellen Entscheidungen und der Anomaliebehandlung mitzuwirken.

Letzte Worte

Die Bedeutung von „KI-Röntgenwissenschaftlern“ liegt nicht im Ersatz von Laborpersonal, sondern darin, KI über die reine Datenanalyse hinaus in den experimentellen Bereich zu integrieren und sie an der Gerätebedienung, der Statusbewertung und der Strategieanpassung zu beteiligen. Obwohl die Möglichkeiten derzeit durch die Stichprobengröße, die tatsächliche Maschinenlaufzeit und den Bedarf an menschlichen Sicherheitsbeauftragten begrenzt sind, hat diese Forschung gezeigt, dass große Modelle experimentelle Schleifen durch kontinuierliche Beobachtung und Schlussfolgerung in komplexen, nicht idealen realen Umgebungen abschließen können.

In Zukunft, wenn Modelle, Roboter und wissenschaftliche Instrumente weiter integriert werden, wird KI voraussichtlich zu einem wichtigen Kooperationspartner in groß angelegten wissenschaftlichen Forschungseinrichtungen werden und den Forschern helfen, sich wiederholende Arbeitsgänge zu reduzieren und mehr Energie den wissenschaftlichen Fragestellungen selbst widmen zu können.