Ein künstliches Intelligenz-Modell des Labors von Asst. Prof. Chibueze Amanchukwu an der University of Chicago Pritzker School of Molecular Engineering (UChicago PME) hat mit nur 58 Datenpunkten eine virtuelle Suche nach hochleistungsfähigen Batterieelektrolyten gestartet und dabei eine Million mögliche Verbindungen analysiert. Das in Nature Communications veröffentlichte Forschungsteam um den Co-Erstautor Ritesh Kumar, Postdoktorand am UChicago PME, entwickelte ein aktives Lernmodell, das kontinuierlich aus experimentellen Ergebnissen lernt. Statt nur computergestützte Vorhersagen zu nutzen, testeten die Forscher die von der KI vorgeschlagenen Elektrolyte tatsächlich in Batteriezellen und nutzten die realen Zyklenlebensdauer als Feedback, um das Modell weiter zu verfeinern. So konnten sie vier neue Elektrolyt-Lösungsmittel identifizieren, die mit den besten etablierten Elektrolyten konkurrieren. Die Methode vermeidet die langwierige, kostspielige und oft unpraktische Alternative, alle eine Million Kandidaten experimentell zu testen. In insgesamt sieben Lernzyklen wurden jeweils etwa zehn Elektrolyte getestet, bis die vier besten Kandidaten gefunden waren. Die KI war anfangs ungenau und wies hohe Unsicherheiten auf, doch durch ständige Validierung durch reale Experimente wurde die Genauigkeit kontinuierlich gesteigert. Ein zentrales Anliegen war, die Grenzen des reinen Vorhersage-Modells zu überwinden. Während viele Studien auf computergestützten Proxies basieren, setzte dieses Team auf „Vertrauen durch Überprüfung“ – nur wenn die Batterie tatsächlich eine lange Lebensdauer zeigte, wurde die Empfehlung akzeptiert. Dieser Ansatz reduziert das Risiko von Fehlern, die bei großer Extrapolation auftreten können, etwa wie bei KI-generierten Bildern mit fehlerhaften Gliedmaßen. Die Forscher betonen, dass KI nicht die experimentelle Arbeit ersetzen kann, sondern als effizienter Filter dienen soll, um die Suche nach neuen Materialien zu beschleunigen. Zukünftig könnte die KI noch weiter gehen: Co-Erstautor Peiyuan Ma, Doktorand am UChicago PME, sieht Potenzial in generativen Modellen, die völlig neue Moleküle aus dem Nichts erzeugen – ohne auf bestehende Datenbanken angewiesen zu sein. Der chemische Raum ist immens (bis zu 10^60 mögliche Verbindungen), und die KI könnte hier neue, bisher unerforschte chemische Räume erschließen. Gleichzeitig müssen zukünftige Modelle mehrere Kriterien gleichzeitig bewerten: Neben der Zyklenstabilität sind auch Sicherheit, Kosten, Leistung und Herstellbarkeit entscheidend für eine kommerzielle Anwendung. Aktuelle Modelle fokussieren meist nur auf ein Kriterium, was zu suboptimalen Ergebnissen führen kann. Industrieexperten sehen in der Methode eine Schlüsselinnovation für die Beschleunigung der Materialforschung. „Dies ist ein Paradigmenwechsel: KI wird nicht mehr nur zur Analyse, sondern zur aktiven Forschungspartnerin“, sagt ein Experte für Batteriematerialien. Die Fähigkeit, mit minimalen Daten zu starten und durch iteratives Lernen zu optimieren, könnte die Entwicklung zukünftiger Batterien um Jahre beschleunigen – besonders für neue Chemien wie Lithium-Schwefel oder Festkörperbatterien, die noch wenig experimentelle Daten haben. Die Arbeit unterstreicht, dass KI nicht nur eine Werkzeugkiste ist, sondern eine neue Forschungsphilosophie: Sie hilft, menschliche Vorurteile zu überwinden und neue, unerwartete Lösungen zu finden.