In den vergangenen Jahren hat sich künstliche Intelligenz (KI) als unverzichtbares Werkzeug etabliert, das zahlreiche Wissensgebiete revolutioniert, von der Medizin über die Psychologie bis zum Ingenieurwesen. Die Materialwissenschaft wird dagegen weniger häufig mit KI in Verbindung gebracht als die genannten Bereiche. Dabei kann KI hier ebenso tiefgreifende wie weitreichende Veränderungen bewirken.
Die Materialwissenschaft befasst sich mit dem Verständnis und der gezielten Beeinflussung der Eigenschaften und Anwendungen von Materialien, um innovative Lösungen zu entwickeln. Sie befindet sich derzeit an einem Wendepunkt. Traditionelle Methoden, die auf manuellem Ausprobieren nach dem Trial-and-Error-Prinzip beruhen, sind zwar wirksam, aber oft zeit- und ressourcenintensiv. Diese Probleme lassen sich lösen, indem im F&E-Prozess eine effizientere, KI-basierte Strategie zum Einsatz kommt. Das bedeutet nicht nur eine schrittweise Verbesserung in diesem Bereich, sondern einen Paradigmenwechsel. Dieses Transformationspotenzial verändert die Art und Weise, wie die Materialforschung und -entwicklung angegangen wird, und ermöglicht eine beispiellose Geschwindigkeit und Präzision bei der Entwicklung innovativer Materialien. Zuletzt hat das Aufkommen generativer Modelle für das Materialdesign die KI über die Rolle eines Werkzeugs hinausgehoben: Sie ist zu einer eigenständigen Säule der Materialforschung und -entwicklung geworden.
In diesem Artikel beleuchten wir von Alcimed die dynamische Schnittstelle zwischen KI und Materialwissenschaft anhand von Beispielen erfolgreicher Unternehmen und Projekte.
Der Prozess der Materialentdeckung ist ein ganzheitlicher Ansatz, um neue Materialien mit wünschenswerten Eigenschaften für verschiedene Anwendungen zu identifizieren und zu entwickeln. Dieser Prozess lässt sich in mehrere Schritte unterteilen. In der Vergangenheit stieß er an gewisse Grenzen, weil traditionelle Methoden auf manuellen Versuchen beruhten, die das Tempo des Entdeckungszyklus begrenzten.
Mit dem Aufkommen von KI wird jedoch der gesamte Zyklus in allen Phasen beschleunigt und bereichert, was zu einer beispiellosen Beschleunigung des Entdeckungsprozesses führt. Seit 2024 hat die KI bei der Verbesserung dieses Prozesses eine neue Stufe erreicht, da generative Modelle für das Materialdesign aufgekommen sind. KI unterstützt nicht mehr nur die Forschung, sondern ist zu einem Motor des Designs geworden. Sie kann neue Materialien autonom vorschlagen, bewerten und optimieren.
Mithilfe von Algorithmen, Natural Language Processing (NLP), Text Mining oder Verfahren wie der Latent Dirichlet Allocation (LDA) können KI-Tools Markttrends, Aktivitäten von Wettbewerbern, Kundenbewertungen, Wirtschaftsindikatoren usw. analysieren. So lassen sich neue Anforderungen, künftige Trends und neue bedarfsgetriebene Fragestellungen identifizieren.
Mithilfe von NLP- oder Machine-Learning-Algorithmen können KI-gestützte Tools wie ChemDataExtractor, tmChem oder IBM DeepSearch mit extrem umfangreichen Datenbanken arbeiten. Diese Datenbanken werden aus historischem wissenschaftlichem Wissen (Patente, Artikel, Berichte usw.) gespeist und laufend aktualisiert.
Diese Tools können sämtliche Daten einlesen und analysieren, um relevante Informationen, Schlüsselkonzepte, Muster, Korrelationen usw. zu extrahieren und zu identifizieren. Sie können die Ergebnisse sogar zusammenfassen, um einen Überblick über das vorhandene Wissen zu geben. Bislang war dieser Schritt einer der gewinnbringendsten, und es haben sich zwei unterschiedliche Ansätze herauskristallisiert:
Auf Grundlage der zuvor analysierten vorhandenen Daten und theoretischer Rahmenwerke kann die KI-gestützte Analyse plausible Zusammenhänge zwischen Materialien, Eigenschaften und weiteren Variablen erkennen. Sie kann Hypothesen vorschlagen, die den Entdeckungsraum erweitern.
Vorhersage: Von der KI trainierte Modelle, etwa neuronale Netze und Regressionsalgorithmen, können die Eigenschaften und das Verhalten neuer Materialien anhand mehrerer Variablen wie Zusammensetzung oder Struktur berechnen. Anschließend kann die KI umfangreiche Bibliotheken potenzieller Materialzusammensetzungen rasch durchsuchen, deren Eigenschaften abschätzen und vielversprechende Kandidaten für weitere Untersuchungen identifizieren.
Simulation: Mit KI-gesteuerten Materialsimulationen auf verschiedenen Skalen (atomar, molekular, makroskopisch) lassen sich zuvor getroffene Vorhersagen hinterfragen, indem das Verhalten der Materialien unter unterschiedlichen Bedingungen modelliert wird. Anschließend kann die KI die Simulationsdaten abrufen und analysieren. Mithilfe generativer Modelle wie GAN (Generative Adversarial Network) oder VAE (Variational Autoencoders) kann sie neue Materialstrukturen vorschlagen, die die gewünschten Eigenschaften aufweisen könnten. So entsteht ein geschlossener Kreislauf, der so lange gespeist werden kann, bis die gewünschte Anzahl an Lösungen vorhergesagt ist, die die festgelegten Anforderungen erfüllen.
Test: Sobald die vorhergesagte Lösung den angestrebten Eigenschaften entspricht, kann die KI virtuelle Experimente durchführen, um die Eigenschaften des Materials unter verschiedenen simulierten Bedingungen zu testen. Dadurch lässt sich die Planung realer physischer Experimente optimieren, indem die aussagekräftigste und effizienteste Auswahl an Prüfungen getroffen wird. So wird der Informationsgewinn maximiert.
In den vergangenen Jahren hat der Einsatz von KI in den Phasen Modellierung und Test durch die Integration digitaler Zwillinge an Bedeutung gewonnen. Dabei handelt es sich um digitale Modelle, die ein physisches Objekt oder System virtuell abbilden und ursprünglich im industriellen Umfeld zur Simulation von Anlagen eingesetzt wurden.
Eine gute Vorhersageleistung reicht jedoch nicht aus, um wissenschaftliche Erkenntnis zu gewinnen. Ein Modell kann nämlich eine Eigenschaft korrekt vorhersagen, ohne den physikalischen oder chemischen Mechanismus, der dieser Eigenschaft zugrunde liegt, korrekt abzubilden.
KI-gestützte Tools ermöglichen die Vorverarbeitung und Bereinigung von Daten. Sie können verschiedene Arten von Analysen durchführen (statistisch, multivariat, in Echtzeit usw.) und sogar in Simulations- und Experimentiermodelle integriert werden. So liefern sie unmittelbares Feedback und Erkenntnisse, mit denen sich die Versuchsbedingungen dynamisch optimieren lassen.
Dank NLP kann die KI individuelle Berichte erstellen, die große Mengen experimenteller Daten zusammenfassen, interaktive und fortgeschrittene Visualisierungen (3D-Plots, Heatmaps usw.) enthalten und sogar Informationen aus Textdaten wie Laborbüchern oder Forschungsartikeln einbeziehen.
Schließlich lässt sich das Potenzial der KI mit dem Wissen menschlicher Experten des jeweiligen Fachgebiets maximieren, die notwendige Merkmale festlegen und bestimmte Parameter verfeinern. Forschende stehen daher weiterhin im Zentrum des Innovationsprozesses. Durch die Beteiligung von Experten steigen die Chancen, dass KI-gestützte generative Modelle eine Bandbreite möglicher Materialien vorschlagen, die anschließend im Labor bewertet und synthetisiert werden müssen.
Durch die Integration von künstlicher Intelligenz und Robotik stellen autonome Labore, sogenannte „Self-Driving Labs“, einen großen operativen Fortschritt dar. Diese Plattformen automatisieren den gesamten Forschungs- und Experimentierprozess und ermöglichen erhebliche Geschwindigkeitsgewinne bei der Identifizierung von Hochleistungsmaterialien. Langfristig könnte diese Innovation die Innovationszyklen bei Materialien von 10 bis 20 Jahren auf nur noch wenige Jahre verkürzen1Pyzer-Knapp, E. O., Manica, M., Staar, P., Morin, L., Ruch, P., Laino, T., Smith, J. R., & Curioni, A. (2025). Foundation models for materials discovery – current state and future directions. Npj Computational Materials, 11(1). https://doi.org/10.1038/s41524-025-01538-0. Der Entwicklung von Self-Driving Labs stehen jedoch zahlreiche Hindernisse im Weg, vor allem wirtschaftlicher Art: Die Infrastrukturen sind komplex und kostspielig.
Anfangs funktionierten KI-Anwendungen im Screening-Modus: Sie bewerteten Millionen vorhandener Kandidaten, um die relevantesten zu identifizieren. Heute markieren generative Modelle wie MatterGen oder AtomGPT einen konzeptionellen Bruch. Die KI schlägt nun direkt molekulare oder kristalline Strukturen vor, die auf einen Satz von Zieleigenschaften hin optimiert sind. Dieser Paradigmenwechsel erweitert den Rahmen der F&E über bereits bekannte und dokumentierte Materialien hinaus. Mit Graph Networks for Materials Exploration (GNoME), einem von Google DeepMind entwickelten Machine-Learning-Modell, konnten 2,2 Millionen neue Kristallstrukturen identifiziert werden, davon 380.000 stabile. Diese Ergebnisse entsprechen 800 Jahren experimenteller Entdeckungen und zeigen, welche Leistungsfähigkeit die Anwendung von KI in der Materialwissenschaft entfalten kann2Hub, L., & Hub, L. (2025, November 21). Altrove : l’intelligence artificielle au service de la souveraineté industrielle. Bpifrance Le Hub. https://lehub.bpifrance.fr/altrove-lintelligence-artificielle-au-service-de-la-souverainete-industrielle/.
Erfahren Sie, wie unser Team Sie im Bereich künstliche Intelligenz begleiten kann >
Der Fachbereich Materialwissenschaft und Werkstofftechnik in Berkeley hat das A-Lab entwickelt, ein autonomes Labor, das künstliche Intelligenz (KI) nutzt, um die Synthese neuer Materialien erheblich zu beschleunigen. Es soll die Lücke zwischen der Geschwindigkeit des computergestützten Screenings und der experimentellen Realisierung neuer Materialien schließen.
Das A-Lab wurde entwickelt, um die Synthese neuer anorganischer Materialien zu beschleunigen. Aus einer Menge von 58 Zielverbindungen hat es in nur 17 Tagen 41 neue Verbindungen synthetisiert3Wei, G. (n.d.). A-Lab paper published in Nature, featured in news stories. https://ceder.berkeley.edu/news/a-lab-paper-published-in-nature-featured-in-news-story/. Das autonome Labor nutzte Daten des Materials Project und von Google DeepMind sowie Sprachmodelle, die auf der historischen Literatur trainiert wurden. Damit erstellte und optimierte es Syntheserezepte mithilfe eines auf Thermodynamik basierenden aktiven Lernens.
Das A-Lab hat die transformative Wirkung der KI in der Materialwissenschaft gezeigt: Sie ermöglicht schnellere Entdeckungen, kontinuierliche Optimierung und Skalierbarkeit bei hohem Durchsatz. Die Integration von KI und Robotik hat autonome, effiziente und präzise Syntheseprozesse ermöglicht und macht Experimente bei minimalem menschlichem Eingriff reproduzierbar.
Altrove ist ein französisches Start-up, das künstliche Intelligenz (KI) einsetzt, um die Entdeckung und Entwicklung neuer Materialien zu beschleunigen, die für Technologien wie Elektrofahrzeuge oder Hightech-Elektronik entscheidend sind. Das Unternehmen konzentriert sich besonders auf die Entwicklung von Alternativen zu Materialien mit Seltenen Erden, da diese bislang mit zahlreichen geopolitischen und wirtschaftlichen Herausforderungen verbunden sind.
Das Unternehmen begegnet den komplexen Herausforderungen der Materialwissenschaft, indem es nicht nur potenzielle neue Materialien modelliert, sondern auch präzise Syntheseprotokolle für deren Synthese erarbeitet. Sein Ansatz besteht darin, mit KI-Modellen stabile anorganische Materialien zu modellieren und diese anschließend in automatisierten Laborprozessen zu synthetisieren, zu testen und zu optimieren.
Bislang hat Altrove rund zwanzig Partnerschaften mit Akteuren aus Luft- und Raumfahrt, Automobilbau, Robotik, Elektronik und Verteidigung geschlossen. Nach einer Phase der gemeinsamen Entwicklung räumt das Start-up den Partnern auf ihrem Markt eine befristete Exklusivität für das kritische Material ein. Das geistige Eigentum an Material und Syntheseverfahren behält es jedoch.
Innerhalb von zwei Jahren hat das Unternehmen 15 Millionen Euro eingeworben, mit denen es den Schritt vom Proof of Concept zur industriellen Produktion vollziehen will. Altrove plant, die ersten Produkte in zwei bis drei Jahren auf den Markt zu bringen, in Form eines Materialkatalogs für Industrieunternehmen4Hub, L., & Hub, L. (2025, November 21). Altrove : l’intelligence artificielle au service de la souveraineté industrielle. Bpifrance Le Hub. https://lehub.bpifrance.fr/altrove-lintelligence-artificielle-au-service-de-la-souverainete-industrielle/.
Citrine Informatics ist ein auf die Materialindustrie spezialisiertes US-amerikanisches Unternehmen, das künstliche Intelligenz und datenbasierte Methoden einsetzt, um die Entdeckung und Entwicklung von Materialien zu beschleunigen. Es nutzt fortschrittliche Machine-Learning-Algorithmen, um große Datensätze zu Eigenschaften, Zusammensetzung und Leistung von Materialien zu analysieren. Mit seinen vier verschiedenen Produkten kann das Unternehmen ein KI-gestütztes Ökosystem schaffen, das Wissenschaftlern und Ingenieuren ermöglicht, datenbasierte Entscheidungen effizienter und effektiver zu treffen.
Die KI-gestützten Plattformen von Citrine wurden bereits von mehreren Akteuren der Materialindustrie erfolgreich eingesetzt, um ihre F&E-Anstrengungen zu optimieren.
Beispiele für Fallstudien:
Die Integration künstlicher Intelligenz (KI) in die Materialwissenschaft revolutioniert die F&E-Landschaft für neue Materialien. KI-basierte Methoden erleichtern die schnelle Analyse großer Datensätze, die prädiktive Modellierung von Materialeigenschaften und die Optimierung von Versuchsprotokollen und beschleunigen so den Innovationszyklus.
Trotz dieser Fortschritte ist der Weg zur vollen Ausschöpfung des KI-Potenzials in der F&E jedoch noch nicht abgeschlossen. Es bleiben Herausforderungen, insbesondere bei der Datenintegration, der Entwicklung von Algorithmen und der Übertragung von KI-Wissen in praktische Anwendungen, um nur einige zu nennen. Wenn Sie ein KI-Projekt planen und mit unserem Team darüber sprechen möchten, kontaktieren Sie uns gerne!
Über die Autoren,
Vincent, Business Unit Manager in Alcimeds Chemie- und Materialteam in Frankreich
Juliette, Senior Consultant in Alcimeds Energie-, Umwelt- und Mobilitätsteam in Frankreich
Branchenübergreifend
Warum ist die Nutzung von Algen in der Industrie interessant? Mit ihrer hohen Produktivität und ihrem geringen Kohlenstoff-Fußabdruck sind sie eine wichtige Alternative zu fossilen ...
Branchenübergreifend
Die Vielfalt erdbasierter Baustoffe Je nach den örtlichen geologischen und seismischen Gegebenheiten haben sich in der Geschichte einige Techniken zur Verarbeitung von Erde durchgesetzt. So wird ...
Energie - Umwelt - Mobilität
Kupfer: ein Muss für erneuerbare Energien und eine explodierende Nachfrage Kupfer wird aufgrund seiner Leitfähigkeit häufig in Technologien für erneuerbare Energien verwendet und macht 70 % des ...