Was ist passiert?
Google DeepMind stellte bereits Ende 2023 das KI-System GNoME vor. Der Name steht für „Graph Networks for Materials Exploration“. Das System analysiert bekannte Kristallstrukturen und berechnet daraus neue mögliche Anordnungen von Atomen.
Nach Angaben der Forschenden identifizierte GNoME rund 2,2 Millionen neue Kristallstrukturen. Von diesen wurden etwa 380.000 Strukturen als besonders stabile Kandidaten ausgewählt und dem Materials Project zur weiteren wissenschaftlichen Untersuchung zur Verfügung gestellt.
Diese Zahlen sind außergewöhnlich groß. Vor der GNoME-Arbeit enthielt die wissenschaftliche Datenbasis nur einen Bruchteil dieser Menge an berechneten stabilen anorganischen Materialien. Das System erweitert damit den digitalen Suchraum erheblich.
Gleichzeitig entwickeln andere Forschungsteams ähnliche Ansätze weiter. Microsoft veröffentlichte 2025 beispielsweise MatterGen, ein generatives KI-Modell, das nicht nur bestehende Materialkandidaten durchsucht, sondern neue anorganische Kristallstrukturen anhand gewünschter Eigenschaften erzeugen soll. Forschende können dem System etwa vorgeben, dass ein Material bestimmte magnetische, elektronische oder mechanische Merkmale besitzen soll.
Hat die KI wirklich neue Materie erfunden?
Die Formulierung „KI erfindet neue Materie“ klingt spektakulär, ist wissenschaftlich jedoch ungenau.
Materie wird dabei nicht aus dem Nichts erschaffen. Die KI kombiniert bekannte chemische Elemente rechnerisch zu bislang unbekannten oder noch nicht dokumentierten Kristallstrukturen. Sie schlägt also mögliche Materialien vor, deren Atome in einer bestimmten räumlichen Ordnung angeordnet sein könnten.
Ein solcher Vorschlag ist zunächst eine digitale Hypothese.
Die Berechnung kann darauf hindeuten, dass eine Verbindung stabil sein könnte. Sie beweist aber noch nicht, dass das Material im Labor tatsächlich hergestellt werden kann, bei Raumtemperatur stabil bleibt oder die erhofften Eigenschaften besitzt.
Deshalb wäre die präzisere Aussage:
KI hat Millionen möglicher neuer Materialstrukturen vorhergesagt.
Erst wenn Forschende einen Kandidaten herstellen, vermessen und wiederholt prüfen, wird aus einer rechnerischen Vorhersage ein experimentell bestätigtes Material.
Wie findet KI neue Materialien?
Lernen aus bekannten Kristallen
Kristalle besitzen geordnete Strukturen. Ihre Atome befinden sich nicht zufällig im Raum, sondern folgen wiederkehrenden Mustern.
KI-Modelle werden mit großen Datenbanken bekannter Materialien trainiert. Sie lernen dabei Zusammenhänge zwischen chemischer Zusammensetzung, atomarer Struktur, Energie und Stabilität.
GNoME verwendet Graphenmodelle. Dabei werden Atome vereinfacht als Knoten und ihre Beziehungen als Verbindungen dargestellt. Das System kann dadurch untersuchen, welche atomaren Anordnungen wahrscheinlich stabil sind.
Millionen virtuelle Experimente
Traditionell untersuchen Forschende einzelne Stoffkombinationen im Labor oder mithilfe aufwendiger physikalischer Simulationen. KI kann dagegen enorme Mengen möglicher Strukturen vorsortieren.
Sie berechnet, welche Kombinationen besonders vielversprechend erscheinen und welche wahrscheinlich instabil wären. Dadurch müssen Labore nicht jede theoretisch mögliche Verbindung testen.
Die KI ersetzt das Experiment also nicht. Sie hilft dabei, aus einem riesigen Suchraum die Kandidaten auszuwählen, bei denen sich ein Experiment besonders lohnen könnte.
Materialien nach gewünschten Eigenschaften
Neuere Systeme wie MatterGen gehen noch einen Schritt weiter. Statt nur zu fragen, ob eine Struktur stabil sein könnte, können Forschende bestimmte Anforderungen vorgeben.
Gesucht werden könnte beispielsweise ein Material, das:
- Lithiumionen besonders gut leitet,
- starke magnetische Eigenschaften besitzt,
- leicht und gleichzeitig belastbar ist,
- hohe Temperaturen aushält,
- oder bestimmte Elemente vermeidet.
MatterGen wurde speziell dafür entwickelt, neue anorganische Materialien anhand solcher Eigenschaftsvorgaben zu erzeugen.
ROQ Einordnung – Warum ist diese Nachricht wichtig?
Fast jede technologische Entwicklung hängt von Materialien ab.
Batterien benötigen Stoffe, die Energie sicher speichern und möglichst schnell laden können. Solarmodule benötigen Materialien, die Licht effizient in Strom umwandeln. Computerchips benötigen Halbleiter mit genau kontrollierbaren Eigenschaften. Windkraftanlagen, Flugzeuge und Fahrzeuge benötigen Werkstoffe, die gleichzeitig leicht, belastbar und langlebig sind.
Der Fortschritt einer Technologie wird deshalb häufig nicht allein durch Software oder Maschinen begrenzt, sondern durch die verfügbaren Materialien.
KI könnte diesen Entwicklungsprozess erheblich verändern. Statt jahrelang nach dem Prinzip Versuch und Irrtum zu arbeiten, können Forschende Millionen theoretischer Kandidaten digital untersuchen und anschließend gezielter entscheiden, welche davon im Labor hergestellt werden sollen.
Die eigentliche Innovation besteht somit nicht darin, dass eine Maschine ohne Menschen neue Stoffe erschafft. Die Innovation liegt in der Verbindung aus:
Datenbanken, physikalischen Berechnungen, künstlicher Intelligenz, Robotik und menschlicher Forschung.
Vom Computer ins Labor
Die größte Herausforderung beginnt nach der digitalen Vorhersage.
Ein autonomes Labor des Lawrence Berkeley National Laboratory, das sogenannte A-Lab, kombiniert Berechnungen, Literaturdaten, maschinelles Lernen und Robotik. Das System plant Versuche, mischt Ausgangsstoffe, erhitzt Proben und analysiert anschließend die Ergebnisse.
Das Labor soll die Lücke zwischen theoretischer Berechnung und tatsächlicher Herstellung verkleinern. Nach Angaben des Berkeley Lab kann das A-Lab deutlich mehr Proben pro Tag bearbeiten als ein einzelner Mensch und vielversprechende Kandidaten automatisiert weiterverfolgen.
Dennoch bleibt die Materialforschung anspruchsvoll. Ein berechnetes Material kann:
- schwierig herzustellen sein,
- nur unter hohem Druck entstehen,
- bei normaler Temperatur zerfallen,
- giftige oder seltene Bestandteile enthalten,
- zu teuer für die industrielle Produktion sein,
- oder andere Eigenschaften besitzen als vorhergesagt.
Aus Millionen digitaler Kandidaten werden deshalb nicht automatisch Millionen neuer Produkte.
Auswirkungen auf Unternehmen, Arbeitnehmer und Kommunen
Batterie- und Energiespeicherindustrie
Neue Materialien könnten Batterien ermöglichen, die mehr Energie speichern, schneller laden, länger halten oder weniger kritische Rohstoffe benötigen.
Gerade für Elektrofahrzeuge, Stromnetze und erneuerbare Energien ist das wirtschaftlich relevant. Ein vielversprechender Materialkandidat allein reicht jedoch nicht. Er muss anschließend in Batteriezellen eingebaut und über viele Ladezyklen getestet werden.
Halbleiter und Computerchips
Die Leistungsfähigkeit von Chips hängt von Materialien ab, die elektrische Ströme gezielt leiten, isolieren oder kontrollieren.
Neue Halbleiter könnten Anwendungen in Quantencomputern, Sensoren, Leistungselektronik oder besonders energieeffizienten Prozessoren ermöglichen. Das Materials Project wird bereits in Forschungsarbeiten zu Mikroelektronik, Quantencomputing, Batterien und industriellen Katalysatoren verwendet.
Industrie und Maschinenbau
Neue Legierungen, Beschichtungen oder keramische Materialien könnten Maschinen leichter, hitzebeständiger und langlebiger machen.
Für Unternehmen könnte sich dadurch langfristig nicht nur ein neues Produktfeld entwickeln. Auch Produktionsverfahren müssten angepasst werden. Ein Material kann wissenschaftlich hervorragend sein und trotzdem wirtschaftlich scheitern, wenn seine Herstellung zu teuer oder zu kompliziert ist.
Forschung und Entwicklung
Unternehmen mit eigenen Forschungsabteilungen erhalten leistungsfähigere Werkzeuge zur Vorauswahl von Kandidaten.
Für kleinere Betriebe bleibt jedoch die Zusammenarbeit mit Hochschulen, Forschungszentren und spezialisierten Laboren entscheidend. Die Nutzung eines KI-Modells ersetzt weder chemische Fachkenntnis noch Laborausrüstung.
Chancen & Risiken
Potenziale und mögliche Zielkonflikte werden bewusst nebeneinandergestellt.
Die Materialentwicklung könnte deutlich schneller werden. KI kann große Datenmengen auswerten, die ein Mensch nicht einzeln überprüfen könnte.
Sie kann außerdem nach Alternativen zu knappen oder problematischen Rohstoffen suchen. Ein Unternehmen könnte beispielsweise Materialien entwickeln wollen, die ohne Kobalt, Nickel oder andere kritische Bestandteile auskommen.
Auch der Energieverbrauch industrieller Prozesse könnte sinken, wenn neue Katalysatoren chemische Reaktionen effizienter machen. Neue Materialien könnten darüber hinaus bei der Speicherung von Wasserstoff, der Abscheidung von Kohlendioxid oder der Herstellung leistungsfähigerer Solarzellen helfen.
Ein weiterer Vorteil besteht darin, dass negative Ergebnisse schneller erkannt werden. Wenn ein Kandidat mit hoher Wahrscheinlichkeit instabil ist, muss er möglicherweise gar nicht erst aufwendig hergestellt werden.
Vorhersage ist nicht gleich Realität
Ein KI-Modell arbeitet mit Trainingsdaten, mathematischen Annahmen und Näherungsverfahren. Fehler in den Daten oder im Modell können zu falschen Einschätzungen führen.
Ein Material kann rechnerisch stabil erscheinen und im Labor dennoch nicht herstellbar sein.
Unbekannte Umwelt- und Gesundheitswirkungen
Neue chemische Verbindungen können Eigenschaften besitzen, die vorher nicht vollständig erkannt wurden.
Bevor ein Material in Batterien, Gebäuden, Lebensmitteln, Medizinprodukten oder Konsumgütern eingesetzt wird, müssen Toxizität, Entsorgung und Umweltauswirkungen untersucht werden.
Konzentration von Wissen
Leistungsfähige Modelle, Rechenkapazitäten und große Materialdatenbanken liegen häufig bei wenigen Technologieunternehmen oder Forschungseinrichtungen.
Dadurch könnte eine neue Abhängigkeit entstehen. Nicht nur Rohstoffe, sondern auch wissenschaftliche Daten und KI-Infrastruktur werden zu strategischen Ressourcen.
Beschleunigte Entwicklung ohne ausreichende Prüfung
Schnellere Entdeckung bedeutet nicht automatisch schnellere sichere Anwendung.
Werden Prüfprozesse unter wirtschaftlichem Druck verkürzt, könnten Materialien eingesetzt werden, deren langfristige Auswirkungen noch nicht ausreichend verstanden sind.
Perspektivenwechsel
Die häufige Schlagzeile lautet:
„KI entdeckt neue Materialien.“
Doch die tiefere Entwicklung lautet:
Wissenschaft verändert ihre Arbeitsweise.
Früher begann Materialforschung häufig mit einer Idee, wenigen Kandidaten und zahlreichen Experimenten. Künftig kann der Prozess stärker als Kreislauf funktionieren.
Eine KI schlägt Materialstrukturen vor. Simulationen bewerten deren Eigenschaften. Roboter stellen ausgewählte Kandidaten her. Messgeräte prüfen die Ergebnisse. Die neuen Daten fließen anschließend zurück in das Modell.
Dadurch entsteht ein lernendes Forschungssystem.
Der Mensch verschwindet aus diesem System nicht. Seine Rolle verändert sich. Forschende müssen Ziele definieren, Ergebnisse hinterfragen, Sicherheitsfragen beurteilen und entscheiden, welche Entwicklungen gesellschaftlich und wirtschaftlich sinnvoll sind.
Die KI kann berechnen, welche atomare Struktur wahrscheinlich stabil ist.
Sie kann jedoch nicht allein entscheiden, ob ein Material tatsächlich gebraucht wird, welche Folgen sein Abbau verursacht oder ob eine Anwendung verantwortbar ist.
Was wir wissen
GNoME hat rund 2,2 Millionen mögliche neue Kristallstrukturen berechnet. Etwa 380.000 davon wurden als stabile Kandidaten eingestuft und für weitere Forschung in das Materials Project aufgenommen.
Autonome Labore können bereits Materialkandidaten mithilfe von Robotik, maschinellem Lernen und automatisierter Analyse herstellen und untersuchen.
Generative Systeme wie MatterGen können neue Materialstrukturen anhand gewünschter Eigenschaften
Was noch unklar ist
Unklar ist, wie viele der vorhergesagten Strukturen tatsächlich hergestellt werden können.
Ebenso offen ist, welche Kandidaten später einen messbaren Vorteil gegenüber bestehenden Materialien besitzen und wirtschaftlich in großen Mengen produziert werden können.
Viele der denkbaren Anwendungen in Batterien, Supraleitern, Chips oder Energietechnik sind deshalb zunächst Möglichkeiten und keine bereits marktreifen Produkte.
Was als Nächstes wichtig wird
Entscheidend wird die experimentelle Bestätigung der berechneten Kandidaten.
Forschungseinrichtungen müssen prüfen, welche Materialien tatsächlich synthetisiert werden können und welche elektrischen, magnetischen, mechanischen oder chemischen Eigenschaften sie besitzen.
Parallel werden Standards für Datenqualität, Sicherheit und Nachvollziehbarkeit wichtiger. Unternehmen müssen verstehen können, warum ein KI-System einen bestimmten Kandidaten vorschlägt und welche Unsicherheiten in der Berechnung bestehen.
Langfristig wird sich zeigen, ob aus den Millionen digitaler Vorschläge einzelne Materialien entstehen, die Batterien, Chips oder Energiesysteme wirklich verändern.
Einordnung von ROQ News
KI hat keine neue Materie aus dem Nichts erschaffen.
Sie hat einen riesigen Raum möglicher Materialstrukturen durchsucht und Kandidaten sichtbar gemacht, die Menschen mit klassischen Methoden möglicherweise erst sehr viel später gefunden hätten.
Das ist dennoch ein bedeutender wissenschaftlicher Schritt.
Denn technologische Entwicklung hängt nicht nur davon ab, bessere Geräte zu bauen. Häufig beginnt sie mit einem Werkstoff, der zuvor nicht verfügbar war.
Die eigentliche Revolution liegt deshalb nicht in einer einzelnen gefundenen Verbindung. Sie liegt in einer neuen Methode wissenschaftlicher Entdeckung:
Künstliche Intelligenz erweitert den Suchraum. Roboter beschleunigen das Experiment. Der Mensch entscheidet, welche Entdeckung Bedeutung bekommt.
Michael Langner
Gründer & CEO von Cast Royal Michael Langner
Gründer & CEO von Cast RoyalQuellen
- Unternehmen · veröffentlicht 16.01.2025 · abgerufen 31.07.2026
-
Meet the Autonomous Lab of the Future – Berkeley LabFachmedium · veröffentlicht 17.04.2023 · abgerufen 31.07.2026
-
Millions of new materials discovered with deep learning – Google DeepMindUnternehmen · veröffentlicht 29.11.2023 · abgerufen 31.07.2026
- Fachmedium · veröffentlicht 29.11.2023 · abgerufen 31.07.2026
KI-Transparenz
ROQ News nutzt Künstliche Intelligenz als Werkzeug für Recherche, Strukturierung und Formulierung. Alle Inhalte werden vor der Veröffentlichung durch Cast Royal geprüft, eingeordnet und redaktionell verantwortet.
Wir ersetzen keine Menschen durch KI. Wir nutzen KI, um bessere Inhalte zu erstellen... die Verantwortung bleibt beim Menschen.