KI optimiert Experimente mit 40 % weniger Tests

Ein Forscherteam der Eidgenössischen Technischen Hochschule Lausanne hat mit GOLLuM eine neue KI-Methode zur Optimierung wissenschaftlicher Experimente vorgestellt. Die Studie von Bojana Ranković und Philippe Schwaller vom Labor für Künstliche Intelligenz in der Chemie erschien in Nature Machine Intelligence und adressiert ein zentrales Problem der experimentellen Forschung: die ineffiziente Auswahl vielversprechender Versuchsparameter. GOLLuM kombiniert Large Language Models mit einem Gaußschen Prozess, der als Unsicherheitsdetektor fungiert. Anstatt Sprachmodelle direkt nach Versuchsvorschlägen zu befragen, was häufig zu Halluzinationen oder physikalisch unmöglichen Rezepturen führt, nutzt das Framework die vom Gaußschen Prozess quantifizierte Vorhersageunsicherheit als Trainingsignal. Während des Lernprozesses organisiert das Modell den Suchraum neu: Experimente mit ähnlichen Ergebnissen werden räumlich zusammengezogen, während sich unähnliche Konfigurationen voneinander entfernen. Diese adaptive Strukturierung ermöglicht eine präzise Steuerung der nächsten Testreihen. In einer umfassenden Evaluierung an 23 Benchmarks aus den Bereichen organische Synthese, Katalyse, Materialwissenschaft und Molekularoptimierung schnitt GOLLuM durchschnittlich am besten ab. Die Methode erreichte innerhalb einer Begrenzung von 50 Versuchen zu 36,3 Prozent Treffer in den besten fünf Prozent aller möglichen Ergebnisse, während traditionelle bayessche Optimierungsansätze mit manuell erstellten Deskriptoren nur 29,7 Prozent erzielten. Insgesamt reduzierte GOLLuM den Bedarf an Experimenten um über vierzig Prozent, was eine deutlich schnellere Konvergenz auf optimale Parameter bedingt. Kontrolltests ohne das Gaußsche Prozess-Modul zeigten hingegen instabile Ergebnisse mit Ausfallraten zwischen zehn und achtzig Prozent, begleitet von wiederholten Parameterangaben und Vorgaben außerhalb des definierten Suchraums. Der Ansatz verschiebt die Rolle von Sprachmodellen in der empirischen Forschung grundlegend. Statt auf deren rohe Textvorhersagen zu vertrauen, werden deren umfassende wissenschaftliche Wissensrepräsentationen mit probabilistischen Modellen kombiniert, die Unsicherheit explizit abbilden. Schwaller betont, dass die Technik Experimentierkampagnen von Tag eins an ermöglicht, ohne monatelange Vorbereitungszeit für die manuelle Definition von Deskriptoren. Die direkte Optimierung auf natürlichsprachlichen Beschreibungen verspricht eine beschleunigte und ressourcenschonende Entdeckung neuer Wirkstoffe, Katalysatoren und Materialklassen. GOLLuM etabliert sich damit als skalierbare Brücke zwischen linguistischer KI-Representation und datengetriebener experimenteller Validierung.