5 KI-Durchbrüche, die die Materialentdeckung heute verändern

Künstliche Intelligenz (KI) verändert weiterhin die Welt und gestaltet die Zukunft der Menschheit neu.

Die Technologie treibt Veränderungen in fast allen Sektoren voran, indem sie Aufgaben ausführt, die normalerweise menschliche Intelligenz erfordern. KI‑Systeme nutzen enorme Datenmengen, um Muster zu erkennen und Entscheidungen zu treffen.

Auf diese Weise kann KI bestimmte Stufen menschlicher Denk‑ und kognitiver Prozesse simulieren.

Laut dem World Trade Report können die Produktivitätsgewinne und Kostenvorteile von KI das globale BIP bis 2040 um 12‑13 % steigern.

Indem sie ihre digitale Infrastruktur im Vergleich zu Hochlohnländern um 50 % verringern und KI breiter einsetzen, können Volkswirtschaften mit niedrigem und mittlerem Einkommen ihre Einkommen um bis zu 15 % steigern.

Neben der Unterstützung von Nationen bei der Steigerung von Produktivität, Handel und wirtschaftlicher Position kann KI die Gesellschaft voranbringen, indem sie Innovationen in verschiedenen Branchen vorantreibt. Einer der Wege, wie die Technologie dies derzeit tut, ist die Materialentdeckung. 

Das Versprechen von KI in der Materialentdeckung

Die Entdeckung von Materialien war schon immer der Schlüssel zur Innovation. Vor vielen Jahrhunderten führte die Mischung von Kupfer und Zinn zur Bronzezeit, als stärkere Werkzeuge und Waffen den Handel und die Gesellschaften transformierten.

Dann kam das Eisenzeitalter, in dem die Beherrschung von Eisen die Wirtschaft neu gestaltete. Schnell vorwärts ins 19. Jahrhundert, und Stahl fand breite Anwendung. Als Legierung aus Eisen und Kohlenstoff war Stahl das Rückgrat von Eisenbahnen, Wolkenkratzern, Schiffen und Maschinen und trieb die Industrielle Revolution sowie die globale Expansion an.

Im späten 20. Jahrhundert verwandelte das Silicon Age die Welt durch die Entdeckung und Verfeinerung von Halbleitern, die die Grundlage moderner Elektronik bilden. Wir befinden uns jetzt im Zeitalter fortschrittlicher Materialien, in dem Graphen, Kohlenstoffnanoröhren und Quantenmaterialien Türen zu sauberer Energie, leichteren Flugzeugen und schnellerer Datenverarbeitung öffnen.

Das Aufkommen von KI und maschinellem Lernen (ML) trägt zur Innovation in Materialien und damit in verschiedenen Branchen bei, indem es den Prozess der Materialentdeckung, -gestaltung und -optimierung erheblich beschleunigt.

Dazu nutzt KI Algorithmen und Modelle, um umfangreiche Datenbanken von Kandidaten für spezifische Anwendungsbedürfnisse zu durchsuchen. Hier sind Deep‑Learning‑Modelle wie Graph Neural Networks (GNNs) und Recurrent Neural Networks (RNNs) entscheidend für die Analyse der komplexen Datensätze, die in der Materialwissenschaft zu finden sind.

Sie können auch vorhandene Materialien mit gewünschten Eigenschaften aus diesen Datenbanken identifizieren und sogar die Eigenschaften von Materialien basierend auf ihrer Zusammensetzung und Struktur vorhersagen.

Mit Hilfe von KI kann das Feld der Materialwissenschaft über die traditionellen Trial‑and‑Error‑Methoden hinausgehen, die zeitaufwendig und teuer sind.

Darüber hinaus können KI‑Modelle neuartige Materialstrukturen erzeugen, die auf spezifische Anforderungen zugeschnitten sind. Wenn sie mit automatisierten experimentellen Plattformen integriert werden, kann KI den langen Prozess von der Materialentdeckung bis zur Produktion beschleunigen.

Trotz dieser Vorteile bleiben Herausforderungen hinsichtlich des Mangels an qualitativ hochwertigen und umfangreichen Daten für bestimmte Materialien bestehen. Die erfolgreiche Synthese neu entdeckter und designter Materialien im Labor ist eine weitere große Herausforderung.

Der Materialwissenschaftler Anthony Cheetham von der UCSB bemerkte¹ in Nature nach Untersuchung der Liste von 2,2 Millionen hypothetischen Kristallen, die von GNoME, einem KI‑Tool von DeepMind, einer Tochtergesellschaft von Alphabet (Google), gefunden wurden, „Es ist das eine, eine Verbindung zu entdecken, und etwas völlig anderes, ein neues funktionelles Material zu entdecken.“

Er wies weiter auf die Unpraktikabilität vieler von KI vorhergesagter Verbindungen hin und sagte:

„Wir haben ziemlich viele Dinge gefunden, die lächerlich waren.“

Dies zeigt die Lücke zwischen Vorhersage und praktischer Realisierung. Was diese Lücke erfordert, ist die Kombination von KI mit menschlicher Expertise und experimenteller Wissenschaft.

Dennoch kann das Versprechen von KI, die Materialwissenschaft zu revolutionieren, nicht einfach abgetan werden. Angesichts ihrer Fähigkeit, die Entwicklung von Materialien für Energie, Gesundheitswesen, Automobilindustrie, Luft- und Raumfahrt und andere entscheidende Anwendungen zu beschleunigen, ist dieser Einfluss zu groß, um ignoriert zu werden.

Also, lassen Sie uns einige der prominentesten Beispiele für den Einsatz von KI in der Materialwissenschaft betrachten, die ihr Potenzial zeigen, die Grenzen der Materialentdeckung und -innovation zu verschieben. 

Wischen zum Scrollen →

1. Perowskit‑Solarzellen: KI‑optimierte Materialien und Verarbeitung

Eine der vielversprechendsten Lösungen zur Erreichung nachhaltiger Energie ist Solarenergie, und ihre Verbreitung nimmt rapide zu. Im Jahr 2024 installierte die Welt ein Rekord‑Volumen von etwa 600 GW Solarenergie, ein Anstieg von 33 % gegenüber 2023. Bis zum Ende des Jahrzehnts wird erwartet, dass dies etwa 1 TW pro Jahr erreicht.

Die wachsende Nachfrage nach Solarenergie schafft den Bedarf an effizienteren, vielseitigeren und kostengünstigeren Materialien für Solarzellen.

Perowskit ist ein solches Material, das eine einzigartige Kristallstruktur bietet. Das natürlich vorkommende Mineral kann jetzt synthetisch nachgebildet werden. Durch das Mischen organischer und anorganischer Elemente erzeugen Wissenschaftler synthetische Perowskite, die bemerkenswerte lichtabsorbierende Eigenschaften aufweisen und sie damit besonders für Solarapplikationen geeignet machen.

Neben hoher Effizienz bieten diese Materialien den Vorteil von Flexibilität und einem einstellbaren Bandabstand, doch Skalierbarkeits- und Stabilitätsprobleme bleiben bestehen; daher die Suche nach neuen Zusammensetzungen.

Daher wandten Forscher KI an, um die Leistung von Perowskit‑Solarzellen (PSCs) mit Materialeigenschaften und Energieumwandlungsprozessen zu korrelieren, bereits vor mehr als einem Jahrzehnt. Sie nutzten die Technologie anschließend, um die Materialzusammensetzung zu optimieren, Designstrategien zu entwickeln und die Leistung vorherzusagen.

Im Jahr 2019 überprüften Forscher der University of Central Florida überprüften² über 2.000 peer‑reviewte Publikationen über Perowskit, um über 200 Datenpunkte zu sammeln, die in das von ihnen entwickelte KI‑System eingespeist wurden, um das beste Rezept für Perowskit‑Solarzellen (PSC) zu erhalten. Im selben Jahr entwickelten Wissenschaftler am MIT entwickelten³ ein Modell, um die Synthese und Analyse neuer Verbindungen um den Faktor zehn zu beschleunigen und fanden zwei neue bleifreie Perowskite, die einer weiteren Untersuchung wert sind.

Im Jahr 2022 berichteten Forscher von MIT und der Stanford University über⁴, dass sie mithilfe von KI die Fertigung fortschrittlicher Solarzellen skalieren.

Dafür wurde ein System entwickelt, das über mehrere Jahre hinweg Daten aus früheren Experimenten sowie Informationen aus den persönlichen Beobachtungen erfahrener Arbeiter integriert. Diese Integration machte die Ergebnisse genauer und führte zur Herstellung von Perowskit‑Zellen mit einer Energieumwandlungseffizienz von 18,5 %.

Dies unterscheidet sich von den meisten Machine‑Learning‑Systemen, die hauptsächlich Rohdaten verwenden und typischerweise keine menschliche Erfahrung einbeziehen. Um externe Informationen in ihr Modell zu integrieren, nutzten sie einen Wahrscheinlichkeitsfaktor basierend auf Bayesian Optimization, der es ihnen ermöglichte, „Trends zu erkennen, die wir zuvor nicht sehen konnten.“

Die Entdeckung fortschrittlicher Perowskit‑Solartechnologie mit Hilfe von KI geht weiter und gewinnt an Geschwindigkeit, um die PSC‑Effizienz zu steigern. In einer solchen Studie⁵ wurde die Effizienz auf 26,2 % erhöht, wobei „enorm viel Zeit und Ressourcen“ eingespart wurden.

⬆ Zurück zur Tabelle

2. KI‑entdeckte Elektrokatalysatoren für die Wasserstoffproduktion

Ein vielversprechender Ersatz für nicht‑erneuerbare fossile Brennstoffe, die für enorme Mengen an Treibhausgasen (THG) verantwortlich sind, ist Wasserstoff. verantwortlich für enorme Mengen an Treibhausgasen (THG). Das im Universum am häufigsten vorkommende Element, Wasserstoff, hat sich als saubere und erneuerbare Energiequelle etabliert.

Allerdings ist die effiziente Produktion von Wasserstoff, um die kommerzielle Nachfrage zu decken, eine ernsthafte Herausforderung. Hier bietet die Wasserspaltung mittels Elektrolyse einen vielversprechenden Weg, bei dem die Elektrokatalyse eine entscheidende Rolle spielt. Dies macht die Entwicklung kostengünstiger, aktiver und stabiler Elektrokatalysatoren zu einer wesentlichen Voraussetzung, um die gewünschte elektrokatalytische Wasserstoffproduktion durch Wasserspaltung zu erreichen.

Elektrokatalysatoren beschleunigen die Wasserstoffproduktion, indem sie die für die Wasserspaltung benötigte Energie senken, indem sie teure Edelmetalle wie Platin oder kostengünstigere Alternativen wie Nickel, Kobalt, Graphen, MXene und andere nutzen.

Neben den Eigenschaften und Kosten des Materials wird ein spezifischer Katalysator basierend darauf ausgewählt, ob die Reaktion sauer, alkalisch oder bei hohen Temperaturen abläuft.

Allerdings ist es sehr zeitaufwendig und teuer, die traditionelle Trial‑and‑Error‑Methode zu verwenden, um vorhandene und neue geeignete Materialien zu suchen, um die Reaktionen zu verbessern, sodass KI eingesetzt wird⁶, um die Beschränkungen traditioneller Ansätze zu überwinden, neuartige Kandidaten zu entdecken und bekannte Produkte zu verbessern.

Eine aktuelle Studie berichtete⁷, dass ihre entropy‑gefilterte KI, die auf einem DoE‑Datensatz trainiert wurde, 16,2 Millionen chemische Zusammensetzungen durchsuchte, um Fe12Co28Ni33Mo17Pd5Pt5 als die beste Zusammensetzung für die Wasserspaltung zu identifizieren. Die Legierung zeigt ultraniedrige Überspannungen für beide grundlegenden elektrokatalytischen Reaktionen, HER und OER, bei gleichzeitig robuster Stabilität.

Vor ein paar Jahren trug das Google‑KI‑Labor DeepMind bei, indem es 380.000 neue Verbindungen zum Materials Project, einer Plattform, die vielen Katalysatorsuchen und autonomen Experimenten zugrunde liegt, hinzufügte.

Die Open‑Access‑Datenbank, die am Department of Energy’s Berkeley Lab gegründet wurde, wurde von Forschern genutzt, um experimentell nützliche Eigenschaften in neuen Materialien zu bestätigen, die Potenzial für den Einsatz bei der Kohlenstoffabscheidung sowie als Photokatalysatoren, Thermoelektrika und transparente Leiter zeigen.

Die Datenbank enthält, wie die Atome eines Materials angeordnet sind und wie stabil es ist. GNoME wurde mit den Daten und Workflows, die vom Projekt entwickelt wurden, trainiert und anschließend durch aktives Lernen verbessert.

Unter Verwendung der Berechnungen von Google DeepMinds GNoME zusammen mit Daten aus dem Materials Project testeten die Forscher das A‑Lab, eine Einrichtung am Berkeley Lab, in der KI Roboter bei der Herstellung neuer Materialien anleitet. Das A‑Lab produzierte erfolgreich hergestellt⁸ 41 neue Verbindungen.

⬆ Zurück zur Tabelle

3. Superharte Materialien: ML‑gesteuerte Entdeckung jenseits von Diamant

Branchen wie das Militär, die Luft‑ und Raumfahrt sowie die Energieerzeugung benötigen superharte Materialien, die praktisch unkomprimierbare Feststoffe sind. Der Härtewert dieser Materialien übersteigt 40 Gigapascal (GPa) auf der Vickers‑Skala, und sie besitzen eine hohe Bindungskovalenz sowie eine hohe Elektronendichte.

Diamant ist das bislang härteste bekannte Material und weist einen Härtewert im Bereich von 70‑150 GPa auf. Das bedeutet, dass ein Druck von mehr als 70‑150 GPa erforderlich wäre, um eine Vertiefung auf der Diamantoberfläche zu hinterlassen. Infolgedessen wird er in Schneidwerkzeugen, Schleifmitteln, verschleißfesten Beschichtungen und für Hochdruckexperimente eingesetzt.

Diese Edelsteine, die eine feste Form des Elements Kohlenstoff mit in einer diamantkubischen Kristallstruktur angeordneten Atomen darstellen, werden von Wissenschaftlern ebenfalls genutzt, um neue geeignete Materialien zu finden. Doch KI hat das verändert.

Im Laufe der Jahre haben mehrere Forscher gefunden⁹ neue superharte Phasen, wobei ein berichtete¹⁰ BC10N, B4C5N3 und B2C3N, die dynamisch stabile Phasen mit Härtewerten > 40 GPa aufweisen.

Im Jahr 2020 nutzten Forscher der University of Houston und des Manhattan College nutzten¹¹ ein ML‑Modell, um die Härte neuer Materialien genau vorherzusagen, wodurch sie geeignete Verbindungen leichter finden konnten.

Die Menge an hohem Druck, die erforderlich ist, um irgendeine Spur auf der Oberfläche eines Materials zu hinterlassen, macht sie selten, und „die Identifizierung neuer Materialien ist herausfordernd.“ Genau aus diesem Grund, „werden Materialien wie synthetischer Diamant immer noch verwendet, obwohl sie schwer und teuer herzustellen sind“, sagte der Mitautor des Papiers Jakoah Brgoch, außerordentlicher Professor für Chemie an der University of Houston.

Ein erschwerender Faktor ist hier die Lastabhängigkeit, was bedeutet, dass die Härte eines Materials je nach ausgeübtem Druck variieren kann. Dies macht die experimentelle Prüfung eines Materials komplex. Selbst die Verwendung von rechnerischen Modellen ist fast unmöglich, sodass die Forscher ein Modell entwickelten, das die Herausforderung überwindet, indem es die lastabhängige Vickers‑Härte ausschließlich anhand der chemischen Zusammensetzung des Materials vorhersagt.

Der Algorithmus basierte auf einer Datenbank, die 560 verschiedene Verbindungen umfasste, für die Hunderte akademischer Arbeiten durchgegangen werden mussten. „Alle guten Machine‑Learning‑Projekte beginnen mit einem guten Datensatz“, sagte Brgoch. „Der wahre Erfolg liegt größtenteils in der Entwicklung dieses Datensatzes.“

Infolgedessen fanden sie über 10 neue stabile Borocarbid‑Phasen, und bei einer Modellgenauigkeit von 97 % sind sie zuversichtlich, im Labor Erfolg zu erzielen.

KI ist jedoch nicht ohne Einschränkungen, wie Brgoch bemerkte: „Die Idee, maschinelles Lernen zu nutzen, besteht nicht darin zu sagen, ‚Hier ist das nächste großartige Material‘, sondern unsere experimentelle Suche zu leiten.“ Was die Technologie tut, ist „sie sagt Ihnen, wo Sie suchen sollten.“

⬆ Zurück zur Tabelle

4. Polymer‑Dielektrika: KI‑beschleunigte Energiespeichermaterialien

Ein wesentlicher Bestandteil moderner Energiespeicherung sind Dielektrika, also nicht‑leitende Materialien wie Luft, Glas und Kunststoff. 

Die Wahl des Dielektrikums bestimmt die Energiedichte von Kondensatoren, und Polymer‑Dielektrika werden aufgrund ihrer geringen Kosten, mechanischen Flexibilität, Zuverlässigkeit, schnellen Entladegeschwindigkeit und einfachen Verarbeitung breit für die Energiespeicherung eingesetzt. Doch wiederum ist ihre niedrige Energiedichte ein Problem. 

Infolgedessen suchen Forscher kontinuierlich nach Verbesserungen, indem sie neue Polymer‑Dielektrika entwickeln, um ihre Energiespeicherkapazität für Anwendungen in Stromsystemen, Elektronik und Elektrofahrzeugen (EVs) zu erhöhen. 

KI hat erstaunliche Fortschritte bei Polymermaterialien erzielt. Beispielsweise haben Forscher am MIT und der Duke University vor einigen Monaten zusammengearbeitet, um zu erstellen¹² haltbarere Polymere, indem sie stressreaktive Vernetzungsmoleküle einbezogen, die von KI identifiziert wurden. MIT‑Forscher haben außerdem gebaut¹³ ein System, das bis zu 700 neue Polymer‑Blends pro Tag findet, mischt und testet für Anwendungen wie Batterielektrolyte, Proteinstabilisierung oder Wirkstoffabgabematerialien.

Die Gestaltung neuer Polymer‑Blends stellt das Problem einer nahezu unendlichen Anzahl möglicher Polymere dar, mit denen man beginnen kann, und sobald einige ausgewählt wurden zum Mischen, muss die Zusammensetzung jedes Polymers sowie die Konzentration der Polymere im Blend festgelegt werden.

„Ein so großer Design‑Raum erfordert algorithmische Lösungen und Hoch‑Durchsatz‑Workflows, weil man einfach nicht alle Kombinationen mit Brute‑Force testen könnte.“

– Senior‑Autor des Papiers, Connor Coley

Ihr KI‑System lieferte ihnen optimale Blends, wobei der beste 18 % besser abschnitt als die einzelnen Komponenten.

Angesichts der Effizienz, mit der KI neue Polymeroptionen und -blends bereitstellt, ist es sinnvoll, die Technologie anzuwenden¹⁴, um bessere Polymer‑Dielektrika¹⁵ zu identifizieren.

Ein Forscherteam tat genau das und entdeckte¹⁶ Dielektrika mit 11‑fach höherer Energiedichte als kommerzielle Alternativen bei erhöhten Temperaturen.

Der innovative Algorithmus wurde entwickelt, um die Eigenschaften und Formulierungen von Polymeren vorherzusagen, bevor sie tatsächlich hergestellt werden. Hierfür definierten sie zunächst spezifische Anforderungen und trainierten die ML‑Modelle anschließend mit bestehenden Material‑Eigenschaft-Daten, um gewünschte Ergebnisse vorherzusagen.

Zusätzlich zur KI setzten die Forscher etablierte Polymerchemie und Molekulare Ingenieurwissenschaften ein, um eine Reihe von Dielektrika in den Familien der Polynorbornene und Polyimide zu entdecken, wobei viele der entdeckten Dielektrika eine hohe Energiedichte und hohe thermische Stabilität über einen breiten Temperaturbereich aufweisen. 

Aber ein bestimmtes zeigte eine Energiedichte von 8,3 J cc⁻¹ bei 200 °C, was viel höher ist als das kommerziell verfügbare Polymer‑Dielektrikum.

„In den frühen Tagen der KI in der Materialwissenschaft, angetrieben durch die Materials‑Genome‑Initiative des Weißen Hauses vor über einem Jahrzehnt, war die Forschung in diesem Feld weitgehend von Neugier getrieben. Erst in den letzten Jahren beginnen wir greifbare, reale Erfolgsgeschichten in der KI‑gesteuerten beschleunigten Polymerentdeckung zu sehen“, sagte Mitautor Rampi Ramprasad, Professor am Georgia Institute of Technology. „Diese Erfolge inspirieren jetzt bedeutende Transformationen im industriellen Material‑F&E‑Umfeld.“

⬆ Zurück zur Tabelle

5. Festkörper‑Elektrolyte: KI für sicherere, höher dichte Batterien

Angetrieben durch die weit verbreitete Nutzung tragbarer Geräte und Elektrofahrzeuge sowie die steigende Nachfrage nach erneuerbaren Energiespeicherlösungen, entwickelt sich der globale Batteriemarkt rasant weiter¹⁷. Angesichts der wichtigen Rolle, die Batterien in der modernen Welt spielen, versuchen Wissenschaftler ständig, energieeffizientere und sicherere Batterietechnologien zu entwickeln.

Obwohl Lithium‑Ion‑Batterien heute am weitesten verbreitet sind, haben sie eine begrenzte Lebensdauer und Sicherheitsrisiken, die durch Festkörperbatterien (SSBs) adressiert werden. 

Diese Batterien ersetzen flüssige Elektrolyte durch Festkörper‑Elektrolyte, um das Risiko von Entzündungen bei erhöhten Temperaturen zu beseitigen, während sie eine höhere Energiedichte und verbesserte Haltbarkeit ermöglichen und so sicherere und leistungsstärkere Batterien schaffen. 

Aber diese Batterien mit Festelektrolyten stehen vor eigenen Herausforderungen, wie niedrige Ionenleitfähigkeit, Kompatibilität der Elektroden‑Schnittstelle, mechanische und chemische Stabilität sowie kostengünstige Herstellung. Daher erforschen Wissenschaftler Materialien, die diese Probleme mithilfe von KI überwinden können.

Im Gegensatz zu anderen heute besprochenen Bereichen sind Batterien eines der heißesten Felder, in denen die Anwendung von KI¹⁸ aufgrund der Beteiligung führender Automobilhersteller und Start‑ups, die massiv in die F&E von Festkörperbatterien investieren, explodiert ist. Neben dem Sicherheitsrisiko hat der Sektor zudem umfangreiche Datenbanken angesammelt, die reichhaltig genug sind, um ML‑Modelle zu trainieren.

Sogar Regierungen haben SSBs als strategische Priorität eingestuft, um heimische Lieferketten zu sichern und nationale Energie‑ und Klimaziele zu erreichen.

Daher gibt es verschiedene Fälle, in denen KI Forscher und Unternehmen geholfen hat¹⁹, neue Festelektrolyte zu entdecken.

Im vergangenen Jahr nutzten Microsoft‑Forscher KI zusammen mit Supercomputern, um 32 Millionen potenzielle anorganische Materialien zu durchsuchen, um 18 vielversprechende Kandidaten zu finden²⁰ in nur wenigen Tagen. Das neue Material N2116 ist ein Festkörper‑Elektrolyt, das den Lithiumverbrauch in Batterien um 70 % reduzieren kann und bereits getestet wurde, um eine Glühbirne zu betreiben.

DeepMinds KI‑Tool GNoME hat hingegen identifiziert²¹ 528 vielversprechende Lithium‑Ion‑Leiter, von denen einige dazu beitragen könnten, Batterien effizienter zu machen. 

Dann gibt es LBS²² (Li8B10S19) von Stanford‑Forscher*innen, die es als „den stabilsten, schwefelbasierten Lithium‑Ion‑Elektrolyten, den wir jemals experimentell gesehen haben“ bezeichneten. Die Forscher haben zunächst identifiziert²³ Festelektrolyte, die irgendwann die brennbaren flüssigen Elektrolyte in Li‑Ion‑Batterien durch KI ersetzen sollen, vor etwa einem Jahrzehnt.

⬆ Zurück zur Tabelle

Fazit

Diese Beispiele zeigen, dass KI den Prozess der Entdeckung neuer Materialien beschleunigen kann. Die aktuelle Herausforderung besteht darin, Computer‑Vorhersagen in reale Ergebnisse umzusetzen, was bedeutet, KI mit erfahrenen Forschern und zuverlässigen Daten zu kombinieren.

Wischen zum Scrollen →

Was wir sehen, ist erst der Anfang. Diese Entdeckungen führen uns zu sauberer Energie, sichererer Technologie, härteren Materialien und Industrien, die den Planeten nicht ausbeuten. KI verändert die Art und Weise, wie wir Materialwissenschaft betreiben, und das ist entscheidend für das, was kommt.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.

Referenzen

1. Peplow, M. (2025). KI träumt von Millionen neuer Materialien. Sind sie gut? Nature, 646, 22–25. Veröffentlicht am 1. Oktober 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16. Dezember 2019). Künstliche Intelligenz kann Wissenschaftlern helfen, Sprüh‑Solarzellen herzustellen. ScienceDaily. Veröffentlicht am 16. Dezember 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Hocheffiziente Perowskit‑Solarzellen durch einquellenbasierte Dampfabscheidung. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Maschinelles Lernen mit Wissensbeschränkungen zur Prozessoptimierung der Open‑Air‑Perowskit‑Solarzellenfertigung. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha‑Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Inverse‑Design‑Workflow entdeckt Loch‑Transport‑Materialien, die für Perowskit‑Solarzellen maßgeschneidert sind. Science, 386(6727), 1256‑1264. Veröffentlicht am 13. Dezember 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Das Potenzial freischalten: Anwendungen des maschinellen Lernens im Design von Elektrokatalysatoren für die elektrochemische Wasserstoffenergietransformation. Chemical Society Reviews, 53, 11390–11461. Veröffentlicht am 9. Oktober 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). KI‑gesteuertes Design von Mehr‑Hauptelement‑Legierungen für optimale Wasserspaltung. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Veröffentlicht am 15. Juli 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Ein autonomes Labor für die beschleunigte Synthese neuartiger Materialien. Nature, 624, 86–91. Veröffentlicht am 29. November 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Vorhersage superharter Materialien mittels maschinell‑gesteuerter evolutionärer Struktursuche. npj Computational Materials, 5, 89. Veröffentlicht am 3. September 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Maschinelles Lernen und evolutionäre Vorhersage superharter B‑C‑N‑Verbindungen. npj Computational Materials, 7, 114. Veröffentlicht am 21. Juli 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Das nächste superharte Material durch Ensemble‑Lernen finden. Advanced Materials, 33(5), e2005112. Veröffentlicht am 4. Dezember 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, 5. August). KI hilft Chemikern, robustere Kunststoffe zu entwickeln. MIT News. Abgerufen am 5. August 2025, von https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (2025, 28. Juli). Neues System beschleunigt die Suche nach Polymermaterialien dramatisch. MIT News. Abgerufen am 5. August 2025, von https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). Die Suche nach verbesserter Dielektrizitätsfestigkeit polymerbasierter Dielektrika: Ein fokussierter Überblick über Polymer‑Nanokomposite. Journal of Applied Polymer Science, 137, e49379. Veröffentlicht am 5. April 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Hoch‑dielektrisches Design von Polymer‑Kompositen mittels künstlichem neuronalen Netzwerk. Applied Sciences, 12, 12592. Veröffentlicht am 25. Dezember 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). KI‑unterstützte Entdeckung hochtemperaturbeständiger Dielektrika für Energiespeicherung. Nature Communications, 15(1), 6107. Veröffentlicht am 19. Juli 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). Die Batterieindustrie hat eine neue Phase erreicht. IEA Commentary. Veröffentlicht am 5. März 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Beschleunigung der Entwicklung von Festkörper‑Elektrolyten durch maschinelles Lernen. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Künstliche Intelligenz befähigt Festkörperbatterien für Material‑Screening und Leistungsbewertung. Nano‑Micro Letters, 17, 287. Veröffentlicht am 6. Juni 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). DeepMinds GNoME schiebt KI in die Materialwissenschaft. Time Magazine. Veröffentlicht am 6. Juni 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Wie KI und HPC die wissenschaftliche Entdeckung beschleunigen. Microsoft Source – Innovation Features. Veröffentlicht am 29. Oktober 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Experimentelle Entdeckung eines schnellen und stabilen Lithium‑Thioborat‑Festelektrolyten, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). Keine brennenden Batterien: Stanford‑Wissenschaftler setzen KI ein, um sicherere Lithium‑Ion‑Batter