Ingenieure der Duke University haben eine Gruppe von KI-Bots entwickelt, die gemeinsam komplexe Designaufgaben lösen können, die bislang nur von ausgebildeten Wissenschaftlern bewältigt werden konnten. Die Ergebnisse, veröffentlicht in der Zeitschrift ACS Photonics, deuten darauf hin, dass künftig einfache, aber spezialisierte Probleme in der Forschung automatisiert werden könnten – was zu einer beschleunigten wissenschaftlichen Fortschrittsrate führen könnte. Zentrales Anliegen war die Lösung sogenannter ill-posed inverse design problems, bei denen das gewünschte Ergebnis bekannt ist, aber eine unendliche Menge möglicher Lösungen existiert, ohne klare Anhaltspunkte für die beste. Diese Herausforderung ist besonders relevant bei der Entwicklung von Metamaterialien – künstlichen Materialien mit maßgeschneiderten Eigenschaften, die durch ihre Struktur, nicht durch ihre Chemie, besondere elektromagnetische Reaktionen erzeugen. Bisher hatte das Team um Willie Padilla, Professor für Elektrotechnik und Informatik an der Duke University, bereits einen Ansatz entwickelt, der einen tiefen neuronalen Netzwerk-Algorithmus mit einer „neural-adjoint“-Methode kombinierte, um von einem Ziel ausgehend optimale Designs zu finden. In der neuen Studie ersetzten die Forscher nun menschliche Arbeitsschritte durch eine „agente System“ aus großen Sprachmodellen (LLMs), die autonom verschiedene Aufgaben übernehmen: Datenorganisation, Codeerstellung für neuronale Netze, Fehlerkontrolle und Durchführung der Optimierung. Ein zentraler Überwachungs-LLM koordiniert alle Agenten und ermöglicht es dem System, selbstständig zu entscheiden, ob mehr Simulationsdaten benötigt werden oder ob die aktuelle Lösung bereits ausreichend fortschreitet. Der entscheidende Durchbruch liegt in der Fähigkeit des Systems, menschliche Intuition nachzuahmen – etwa zu erkennen, wann die Verbesserung der Lösung stagniert oder wann weiteres Experimentieren sinnvoll ist. „Es sagt Ihnen genau, was gerade passiert und ob es weiterarbeiten sollte oder neue Daten braucht“, erklärt Dary Lu, Doktorandin und Hauptautorin der Studie. Obwohl das KI-System im Durchschnitt noch leicht hinter menschlichen Doktoranden zurückblieb, erreichten seine besten Lösungen eine Qualität, die mit denen von Experten vergleichbar war – und in der Forschung reicht oft eine einzige herausragende Lösung aus. Die Forscher sehen darin einen Meilenstein: Nicht nur, dass KI nun komplexe Probleme autonom lösen kann, sondern dass diese agenzienbasierten Systeme auch auf andere Disziplinen übertragbar sind, etwa in der Materialwissenschaft, Pharmakologie oder Ingenieurwissenschaft. Padilla betont, dass solche Systeme nicht die Wissenschaftler ersetzen, sondern deren Produktivität exponentiell steigern werden. „Wir stehen an der Schwelle, wo KI nicht nur unterstützen, sondern selbstständig forschen kann“, sagt er. Für Lu ist klar: Die Fähigkeit, solche agenzienbasierten Systeme zu entwickeln, wird zu einem hochwertigen Zukunftskompetenz im Arbeitsmarkt. Industrieexperten begrüßen die Entwicklung als bedeutenden Schritt hin zu selbstlernenden Forschungs- und Entwicklungssystemen. Experten aus der KI- und Materialforschung sehen darin eine Möglichkeit, Innovationszyklen zu verkürzen und kostspielige Experimente zu reduzieren. Unternehmen wie Google, NVIDIA oder Siemens investieren bereits massiv in agentechnologische Ansätze. Die Duke-Studie zeigt, dass die Kombination aus LLMs, neuronalen Netzen und selbstregulierenden Prozessen nicht länger Zukunftsmusik ist, sondern bereits funktionierende Forschungsinfrastruktur – mit Potenzial für bahnbrechende Entdeckungen in kurzer Zeit.