Künstliche Intelligenz (KI) hat in den vergangenen Jahren einen Sprung in der Materialforschung ermöglicht, indem sie Millionen hypothetischer kristalliner Materialien voraussagte – darunter 2,2 Millionen von Google DeepMind mit dem KI-Modell GNoME. Diese Systeme nutzen maschinelles Lernen, um stabile Strukturen vorherzusagen, indem sie aus bereits bestehenden Dichtefunktionaltheorie-(DFT)-Berechnungen lernen. GNoME konnte so viel schneller als klassische Methoden potenziell stabile Materialien identifizieren, was die Hoffnung weckte, die Entdeckung neuer Werkstoffe dramatisch zu beschleunigen. Ähnliche Projekte von Microsoft (MatterGen) und Meta fokussierten sich auf gezielte Eigenschaften wie CO₂-Absorption oder Batteriematerialien. Doch die Begeisterung wurde schnell gemildert. Kritiker wie Anthony Cheetham von der University of California, Santa Barbara, warnten vor unrealistischen oder unbrauchbaren Vorschlägen – etwa über 18.000 Verbindungen mit seltenen, radioaktiven Elementen wie Promethium. Auch die A-Lab-Initiative, die von DeepMind und LBNL gemeinsam entwickelt wurde, stieß auf Kritik: Robert Palgrave und Kollegen zeigten auf, dass die „neuen“ Materialien oft bereits bekannt waren, nur in ungeordneten Formen. Die DFT-basierten Vorhersagen gingen von perfekt geordneten Kristallen aus, die in der Realität bei Raumtemperatur nicht stabil sind. Tatsächlich sind viele der vorgeschlagenen Strukturen disordered – was ihre Eigenschaften grundlegend verändert. Johannes Margraf von der Universität Bayreuth bestätigte diese Bedenken: Sein Modell, trainiert auf experimentell bestätigten Strukturen, zeigte, dass 80–84 % der von GNoME als stabil vorgeschlagenen Verbindungen in Wirklichkeit ungeordnet sein würden. Damit drohten falsche positive und negative Ergebnisse – ein kritischer Fehler, wenn KI als alleiniger Weg zur Materialentdeckung gilt. Ekin Dogus Cubuk, einer der Hauptautoren des GNoME-Papiers, räumte ein, dass die meisten vorgeschlagenen Strukturen nicht in ihrer idealen Form realisiert werden könnten, aber betonte: KI dient als „Richtungsweiser“, nicht als Endlösung. Die Debatte offenbart eine zentrale Herausforderung: KI kann Hypothesen liefern, aber nicht allein die Realisierbarkeit oder Funktionalität garantieren. Die Kritik an überzogenen Aussagen wie „eine Größenordnung mehr stabile Materialien“ wurde als reißerisch empfunden. Tatsächlich wurden über 700 der GNoME-Vorschläge von anderen Laboren unabhängig synthetisiert, und einige neue Caesium-Verbindungen wurden bereits hergestellt – ein Hinweis auf realen Wert. Industrie-Experten wie Kristin Persson (LBNL) betonen, dass KI ein mächtiges Werkzeug ist, aber nur in enger Zusammenarbeit mit experimentellen Chemikern und mit kritischer Einschätzung der Grenzen funktioniert. Die Zukunft liegt nicht in der alleinigen KI-Entdeckung, sondern in einem iterativen Prozess aus KI-Vorschlägen, experimenteller Validierung und Rückkopplung. Unternehmen wie Periodic Labs oder Orbital Materials setzen auf diese Balance – KI als Beschleuniger, nicht als Ersatz für wissenschaftliche Sorgfalt. Die Revolution ist nicht vorbei, aber sie braucht mehr Bescheidenheit und mehr Mensch.