KI und Advanced Analytics Fünf Fehler in der digitalen Materialentwicklung

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Viele Industrieunternehmen wollen die Entwicklung neuer Materialien mit Künstlicher Intelligenz beschleunigen. In der Praxis führt das jedoch oft in eine Sackgasse. Wer allein auf Daten und statistische Modelle setzt, stößt schnell an Grenzen. Denn Materialien folgen physikalischen Gesetzmäßigkeiten, die sich nicht aus Korrelationen allein ableiten lassen. Fünf typische Fehler kosten R&D-Abteilungen viel Zeit und Geld.

Wer heute Hochleistungswerkstoffe entwickelt, bewegt sich in einem anspruchsvollen Spannungsfeld aus regulatorischen Vorgaben, Nachhaltigkeitszielen und komplexen Anforderungen in der Verarbeitung. Die Relevanz dieses Feldes ist enorm: Nach Angaben des Bundesministeriums für Forschung, Technologie und Raumfahrt (BMFTR) basieren 70 Prozent aller Produktinnovationen auf neuen Werkstoffeigenschaften*.

Um die traditionell langwierige Forschung zu beschleunigen, versuchen immer mehr Unternehmen den Sprung von physischen Labortests in die digitale Materialprüfung. Dabei werden zunehmend digitale Tools auf Basis Künstlicher Intelligenz (KI) und maschinellen Lernens (ML) eingesetzt. Doch trotz erfolgversprechender Rezepturen folgt in der Praxis oft die Ernüchterung. Die von den Algorithmen generierten Zusammensetzungen erweisen sich im realen Labor häufig als unbrauchbar. Der entscheidende konzeptionelle Fehler liegt darin, rein datengetriebene Modelle ohne physikalische Randbedingungen einzusetzen. Sie können zwar Muster und Korrelationen aus bestehenden Daten erkennen und reproduzieren, sind dabei aber nicht zwangsläufig durch grundlegende physikalische Gesetzmäßigkeiten begrenzt.

Paradigmenwechsel in der Materialentwicklung

Microsoft setzt auf KI in der Materialforschung

In der industriellen Praxis treten fünf zentrale Fehler immer wieder auf, wenn Unternehmen ihre Materialforschung digitalisieren. Durch physikbasierte Ansätze können Materialforscher sie vermeiden.

Fehler 1: Daten erzeugen nicht automatisch Wissenschaft

In vielen KI-Projekten gilt eine größere Datenbasis als Schlüssel zu besseren Ergebnissen. In der Materialforschung funktioniert das nur bedingt. Messdaten enthalten häufig Rauschen, unterschiedliche Versuchsbedingungen oder Lücken in der Dokumentation. Ein Modell kann solche Effekte übernehmen, ohne die zugrunde liegenden physikalischen Zusammenhänge tatsächlich zu verstehen.

Entscheidend ist deshalb nicht nur, wie viele Daten vorliegen, sondern welches physikalische Wissen in ihre Interpretation einfließt.

Das lässt sich am Beispiel des rheologischen Verhaltens von Bitumen verdeutlichen. Molekulardynamiksimulationen können abbilden, wie sich Moleküle auf mikroskopischer Ebene bewegen und miteinander wechselwirken. Aus diesen Informationen lassen sich physikalische Kenngrößen ableiten, die wiederum Rückschlüsse auf makroskopische Eigenschaften wie das Fließverhalten ermöglichen. Daten werden damit nicht isoliert betrachtet, sondern mit einem physikalischen Modell verknüpft.

Fehler 2: Die Vorgeschichte des Materials wird vernachlässigt

Bei vielen Werkstoffen hängt das spätere Verhalten nicht allein von ihrer Zusammensetzung ab. Auch ihre Verarbeitungsgeschichte spielt eine große Rolle. Das gilt insbesondere für Polymere, Kunststoffe und Verbundwerkstoffe.

Temperatur, Mischgeschwindigkeit, Scherung oder Abkühlrate können die Struktur eines Materials verändern. Wird diese Historie in einem digitalen Modell nicht berücksichtigt, kann eine auf dem Papier plausible Rezeptur im späteren Versuch ganz anders reagieren. Dann beginnt der klassische Kreislauf von vorne. Das Material muss erneut hergestellt, getestet und angepasst werden. Die digitale Entwicklung hat den physischen und teuren Trial-and-Error-Prozess lediglich verschoben, aber nicht ersetzt.

Fehler 3: Oberflächen werden ignoriert

Verbreitet ist auch die Annahme, dass die chemische Zusammensetzung allein ausreicht, um die Leistung eines Materials abschließend zu definieren. Gerade bei technischen Werkstoffen spielen Oberflächen und Grenzflächen eine wichtige Rolle.

Ein klassisches Beispiel aus der Bauindustrie sind PVC-Fliesen und Wandpaneele, die Flammschutzmittel enthalten. Selbst wenn die chemische Formulierung exakt den regulatorischen Vorgaben entspricht, kann allein die Oberflächenrauheit die Entzündung und Brandausbreitung direkt verändern. Ein solch komplexes physikalisches Verhalten digital abzubilden, ist mit rein datengetriebenen KI-Modellen kaum möglich.

Fehler 4: Blindes Vertrauen in unkalibrierte Labordaten

Ein weiterer Fehler entsteht bereits vor dem eigentlichen KI-Modell. Zu häufig werden vorliegende Labordaten als absolute Wahrheit („Ground Truth“) akzeptiert, ohne die Kalibrierung der jeweiligen Instrumente zu berücksichtigen. Dabei können selbst nominell identische Messungen voneinander abweichen.

Bei Rheometern können beispielsweise Kalibrierung, Messgeometrie, Spalteinstellung, Temperaturführung, Probenvorbereitung oder Scherhistorie das Ergebnis beeinflussen. Werden solche Randbedingungen nicht dokumentiert und harmonisiert, können systematische Abweichungen in einen Datensatz gelangen.

Ein KI-Modell kann diese Verzerrungen anschließend sehr präzise reproduzieren. Gute digitale Materialentwicklung beginnt deshalb nicht erst beim Algorithmus, sondern bereits bei der Qualität und Vergleichbarkeit der zugrunde liegenden Messdaten.

Fehler 5: Der Einsatz generischer LLMs statt spezifischer Physik-Modelle

In der Praxis sammeln Unternehmen oft technische Datenblätter und speisen sie unstrukturiert in allgemeine Large Language Models (LLMs). Generische LLMs können technische Informationen zusammenführen, Dokumente analysieren und auf Basis vorhandener Informationen plausible Rezepturen vorschlagen. Ihre Stärke liegt jedoch in der Verarbeitung und Verknüpfung von Informationen, was die physikalische Konsistenz einer generierten Formulierung nicht automatisch gewährleistet. So kann ein Sprachmodell beispielsweise eine chemisch plausibel klingende Formulierung erzeugen, ohne sicherzustellen, dass diese unter den vorgesehenen Temperatur-, Druck- oder Verarbeitungsbedingungen tatsächlich funktioniert.

Besonders deutlich wird diese Grenze bei Materialien mit widersprüchlichen Anforderungen. Ein kanadisches Start-up entwickelt beispielsweise biologisch abbaubare Kunststoffe für Kopfhörergehäuse. Das Material muss im täglichen Gebrauch wasserabweisend und robust sein, soll sich am Ende seiner Lebensdauer aber durch Bodenmikroben leicht zersetzen lassen. Eine solche Balance aus synthetischer Chemie, physikalischer Stärke und Abbaubarkeit erfordert auf herkömmlichem Weg fünf bis sieben Jahre Forschungsarbeit. Generische LLMs stoßen hier an Grenzen, wenn physikalische Randbedingungen und materialspezifische Mechanismen nicht explizit in die Modellierung einbezogen werden. Für solche Herausforderungen braucht es physikbasierte KI und komplexe Wissensgraphen. Gesucht sind physikalisch konsistente Modelle, die komplexe Materialräume zuverlässig eingrenzen und inverse Materialentwicklung unterstützen.

Seltene Erkrankungen

Drug Repurposing mit Graphtechnologie und KI

Digitale Materialtests im virtuellen Labor

Um diese Sackgassen zu vermeiden, braucht es maßgeschneiderte, physikbasierte Modelle. Was in der Pharmaforschung und Wirkstoffsuche bereits seit Jahren Standard ist, hält nun auch in der Materialwissenschaft Einzug: das virtuelle Labor.

Statt Materialkandidaten ausschließlich nacheinander im physischen Labor zu testen, können Eigenschaften und Wechselwirkungen zunächst digital untersucht werden. Ein Anwendungsfall sind historische Rezepturen. In der industriellen Entwicklung werden häufig bewährte Standardmischungen übernommen und anschließend um einzelne Additive ergänzt. Mitunter ist dabei jedoch unklar, welchen tatsächlichen Beitrag ein Additiv zur gewünschten Materialeigenschaft leistet.

Ein virtuelles Labor kann solche Varianten zunächst unter definierten Randbedingungen vergleichen. Während im realen Labor Proben hergestellt und anschließend beispielsweise gedehnt, gebrochen oder rheologisch untersucht werden, können entsprechende Belastungssituationen digital abgebildet werden. So lassen sich etwa Spannungs-Dehnungs-Verhalten, Festigkeit oder Fließverhalten verschiedener Formulierungen miteinander vergleichen.

Ein konkretes Beispiel ist die Entwicklung eines recycelten Polymerwerkstoffs. Verschiedene Anteile recycelter Fasern in einer PA6-Matrix können virtuell miteinander verglichen werden. Dabei lässt sich untersuchen, wie sich die Faserzugabe auf Steifigkeit, Festigkeit und Duktilität auswirkt und wie sich das Material bei unterschiedlichen Temperaturen und Scherraten verhält. So lässt sich bereits vor der Herstellung physischer Chargen eingrenzen, welche Rezepturen eine geeignete Kombination aus Materialeigenschaften und Verarbeitbarkeit erwarten lassen. Diese Varianten können anschließend gezielt im Labor, in der Extrusion oder im Druckprozess validiert werden.

Das virtuelle Labor ersetzt den physischen Versuch damit nicht. Es verändert vielmehr dessen Rolle. Statt eine große Zahl möglicher Rezepturen experimentell durchzuprobieren, können Entwickler den Suchraum zunächst digital verkleinern und die physische Validierung auf die aussichtsreichsten Varianten konzentrieren. Damit wird aus KI in der Materialentwicklung mehr als ein Werkzeug zur Mustererkennung. In Kombination mit physikalischen Modellen kann sie zu einem Instrument werden, das Materialforscher dabei unterstützt, komplexe Materialräume systematisch zu untersuchen und Entwicklungsprozesse gezielter zu steuern.

Über den Autor

Dr. Rishab Handa ist Principal R&D Scientist für Advanced Material Computation bei ecopals. Als Physiker und Chemiker mit über zehn Jahren Erfahrung in der Physik weicher und kondensierter Materie, mit Spezialisierung auf Molekulardynamik, konzipierte er das virtuelle Labor Simpal und leitet dessen wissenschaftliche und technologische Entwicklung.

(ID:50988150)