Ein Forschungsteam der Friedrich-Schiller-Universität Jena in Zusammenarbeit mit dem Helmholtz-Zentrum Berlin, dem Helmholtz-Institut für Polymere in der Energiewende Jena sowie der Schweizer Softwarefirma Zakodium Sárl hat ein künstliches Intelligenz-System namens SECS entwickelt. Die Ergebnisse wurden kürzlich im Fachjournal Nature Communications veröffentlicht. SECS analysiert Kernresonanzspektren und schlägt binnen weniger Minuten plausible Molekülstrukturen vor, die anschließend auf ihre chemische Plausibilität hin bewertet werden. Die strukturelle Identifizierung von Substanzen, insbesondere bei komplexen oder neuartigen Verbindungen, stellt die Chemie traditionell vor große Herausforderungen. Praktische Messdaten sind häufig durch Verunreinigungen oder Überlappungen beeinträchtigt, was die Auflösung erschwert. SECS umgeht diese Problematik durch eine Kombination aus zwei KI-Ansätzen. Zunächst lernt das Modell, Spektren und molekulare Strukturen in eine gemeinsame mathematische Repräsentation zu übersetzen. Ein darauf aufbauender evolutionärer Algorithmus verfeinert die Vorschläge schrittweise, indem er Atome und Bindungen hinzufügt oder entfernt, bis die beste Übereinstimmung mit den Rohdaten erzielt wird. Das System generiert abschließend eine rangierte Liste möglicher Strukturen inklusive Ähnlichkeitswerten. In Benchmark-Tests ordnete SECS die korrekte Molekülstruktur in über 80 Prozent der Fälle an die erste Stelle. Ein Pilotvergleich mit menschlichen Expertinnen und Experten bestätigte, dass die KI Leistungsniveaus erreicht, die denen erfahrener Chemikerinnen und Chemiker entsprechen. Erstautor Adrian Mirza und Co-Autor Dr. Kevin Jablonka betonen jedoch, dass SECS kein Ersatz, sondern eine wertvolle zweite Meinung sei. Hohe Bewertungsscores bestärken die Interpretationssicherheit, deutliche Abweichungen warnen vor Fehlinterpretationen. Der Quellcode, die Modelldaten sowie eine Testversion der Webanwendung stehen der wissenschaftlichen Community offen zur Verfügung. Derzeit ist das Tool auf die Auswertung eindimensionaler Protonen-NMR-Daten spezialisiert. Erweiterungen für weitere Spektraltypen und komplexere Datensätze sind für kommende Versionen vorgesehen. Die Verfügbarkeit von SECS markiert einen signifikanten Schritt hin zu beschleunigter und robusterer Strukturaufklärung in der chemischen Forschung und Entwicklung.