In einer Welt, in der wissenschaftliche Forschung und die Entwicklung neuer Materialien oft aufgrund von Zeit-, Kosten- und experimentellen Beschränkungen ins Stocken geraten, haben Forscher des MIT ein revolutionäres System auf den Markt gebracht, das verspricht, die Art und Weise zu verändern, wie wissenschaftliche Hypothesen getestet und bestätigt werden. Sie nannten es CRESt – „Copilot for Real-world Experimental Scientists“. Dieses innovative System verbindet künstliche Intelligenz, Robotik, maschinelles Lernen und menschliche Intuition zu einem einzigartigen experimentellen Ökosystem, das selbstständig Materialexperimente plant, durchführt, überwacht und anpasst.

Hinter der Idee: Herausforderungen traditioneller Methoden in der Materialwissenschaft

Aktuelle Methoden zur Entdeckung und Optimierung neuer Materialien hängen oft von manueller Versuchsplanung, iterativen Modifikationen und einer Vielzahl von Versuchen und Irrtümern ab. Forscher müssen Protokolle entwerfen, Proben synthetisieren, Messungen durchführen, Ergebnisse analysieren und dann entscheiden, welche Richtung sie als Nächstes einschlagen. Bei einem solchen Ansatz gehen Zeit und Ressourcen verloren – insbesondere, wenn die Anzahl der Variablen schnell eskaliert.

Bisher stützten sich viele Versuche, maschinelles Lernen in diesem Bereich anzuwenden, auf einfache Modelle mit einem einzigen Datenstrom, wie z. B. den Vergleich von Zusammensetzungen und abgeleiteten Eigenschaften oder die Verwendung von *aktivem Lernen* im Rahmen der Bayes'schen Optimierung. Diese modellbasierten Ansätze sind jedoch oft begrenzt – sie befassen sich nur mit einem kleinen Teil der Komplexität in den Beziehungen zwischen chemischen Zusammensetzungen, Prozessparametern, Mikrostrukturen und experimentellen Bedingungen.

Darüber hinaus leidet die Reproduzierbarkeit von Experimenten oft unter nuancierten Unterschieden in der Probenvorbereitung, Drift der Ausrüstung, unvorhergesehenen Abweichungen und Inkonsistenzen. Um eine echte Autonomie im Labor zu erreichen, muss ein System in der Lage sein, nicht nur Experimente durchzuführen, sondern sie auch zu überwachen, Fehler zu erkennen und sich in Echtzeit anzupassen.

Wie CRESt funktioniert: Integration multimodaler Daten und robotergestützte Ausführung

Der Hauptvorteil des CRESt-Systems ist seine Fähigkeit, verschiedene Wissensquellen – schriftliche Arbeiten und Literatur, chemische Zusammensetzungen, mikrostrukturelle Bilder (z. B. SEM, XRD), Prozessparameter und Messergebnisse – zu kombinieren und sie in einer einzigen, KI-gesteuerten Strategie zusammenzuführen. Das System verwendet ein großes multimodales Modell (LMM), das aus all diesen Modalitäten lernt und Entscheidungen über weitere Experimente trifft.

Wenn ein Forscher in der Benutzeroberfläche (textlich oder per Sprache) Anweisungen gibt, analysiert CRESt das Problem, bezieht Literatur und historische Daten ein, formuliert Vorschläge für Experimente und veranlasst Roboter, diese auszuführen. Während des Experiments verwendet das System eingebaute Kameras und Bildverarbeitungsmodelle, um die Ausführung zu überwachen: Es kann eine Verschiebung der Pipette, eine unregelmäßige Probenform oder eine unerwartete Veränderung im System erkennen und automatisch Anpassungen vorschlagen.

Die Roboterinfrastruktur des Systems umfasst Geräte zur Handhabung von Flüssigkeiten (Liquid-Handling), Geräte zur schnellen Synthese von Materialien (z. B. „Carbothermal-Shock“-Systeme), automatische elektrochemische Stationen zur Leistungsprüfung und mikroskopische Instrumente zur Charakterisierung von Proben. Das System steuert auch Pumpen, Lüftungssysteme und Ventilkomponenten, oft ferngesteuert oder automatisch.

Wie wählt CRESt die nächsten Experimente aus? Zuerst verwendet das System auf Literatur und Datenbanken basierende Embeddings, um potenzielle chemische Rezepturen in einem höherdimensionalen Raum darzustellen. Dann reduzieren analytische Methoden wie die Hauptkomponentenanalyse (PCA) die Dimensionalität in diesen Repräsentationsraum, wobei die wichtigsten Variablen erhalten bleiben. Auf diesem reduzierten Raum wird eine Bayes'sche Optimierung durchgeführt, um den nächsten vielversprechenden Zustand der Experimente auszuwählen. Die erhaltenen Ergebnisse (Chemie + Parameter + Leistung) werden in das Modell zurückgeführt, sodass das System lernen und seine Entscheidungen aktualisieren kann.

Falls das System eine Unregelmäßigkeit im Experiment feststellt, verwendet es visuelle Modelle und domänenspezifische Informationen, um Korrekturmaßnahmen vorzuschlagen. Auf diese Weise lernt es nicht nur aus den Ergebnissen, sondern reagiert auch auf reale Ereignisse im Labor.

Demonstrationsergebnisse: Ein Katalysator der neuen Generation für Direkt-Formiat-Brennstoffzellen

Das Forscherteam am MIT führte mit dem systematischen Einsatz von CRESt einen experimentellen Zyklus durch, in dem über 900 chemische Formulierungen getestet und in einem Zeitraum von mehreren Monaten etwa 3.500 elektrochemische Messungen durchgeführt wurden. Dieses Experiment führte zur Entdeckung eines Katalysators aus acht Elementen, der eine Rekordleistungsdichte in einer Direkt-Formiat-Brennstoffzelle (unter Verwendung von Formiat als Brennstoff) erreichte. Das System schaffte es, ein Leistungs-pro-Dollar-Verhältnis zu erzielen, das 9,3-mal besser war als bei Katalysatoren aus reinem Palladium, wobei nur ein Viertel der Edelmetalle im Vergleich zu früheren Standards verwendet wurde.

Es ist wichtig hervorzuheben, dass nicht im Voraus festgelegt war, dass das System die Ausgangselemente verwenden sollte – CRESt hat selbst Kombinationen erforscht, verschiedene Elemente einbezogen und die Ergebnisse iterativ optimiert. So wurden Kosten gesenkt und die Effizienz gesteigert, wodurch das Ziel nachhaltiger und wirtschaftlich tragfähiger Brennstoffzellentechnologien näher rückt.

Vorteile und Herausforderungen: Wo CRESt glänzt und wo es verbessert werden muss

Die Vorteile dieses Ansatzes sind offensichtlich:

• schnellere Iterationen beim Experimentieren;


• weniger Bedarf an manuellen Eingriffen;


• Nutzung vielfältiger Daten in einer einzigen kohärenten Strategie;


• bessere Reproduzierbarkeit dank Echtzeitüberwachung;


• Demokratisierung – auch Forscher ohne fortgeschrittene Programmierkenntnisse können das System über natürliche Sprache nutzen.

Es gibt jedoch auch Hürden, die überwunden werden müssen. Systeme wie CRESt erfordern sehr präzise Hardware-Integrationen und ein robustes Software-Framework, um den Risiken experimenteller Variationen standzuhalten. Der Umgang mit Rauschen, Unsicherheiten und zufälligen Fehlern im Labor bleibt eine Herausforderung. In einer Übersicht über die Literatur zu autonomen Laboren wird betont, dass es entscheidend ist, ein Design zu integrieren, das Reproduzierbarkeit, Interoperabilität und wiederholbare Protokolle in Systeme ermöglicht, die autonom experimentieren.

Darüber hinaus kann die Abhängigkeit von einer großen Anzahl automatisierter Experimente das Problem der „Datenüberlastung“ schaffen – das System muss in der Lage sein, die relevantesten Informationen zu filtern und auszuwählen. In diesem Sinne zeigen methodologische Arbeiten aus dem Bereich des aktiven Lernens, dass die Wahl der Akquisitionsstrategien (Acquisition Functions), das Gleichgewicht zwischen Ausnutzung und Erkundung sowie die Einbeziehung physikalischer Gesetze in Modelle (sog. Scientific Machine Learning) die Effizienz des Systems erheblich beeinflussen können.

Ein Blick in die Zukunft und Implikationen für die wissenschaftliche Praxis

Das CRESt-System zeigt, dass es möglich ist, autonome Labore zu bauen, die nicht nur nach starren Skripten arbeiten, sondern lernen, sich anpassen und in menschlicher Sprache kommunizieren. Ein solcher Ansatz öffnet die Tür zur „wissenschaftlichen Massenproduktion“ – parallelen Experimenten, Datenaustausch in der Cloud und Zusammenarbeit zwischen Laboren weltweit.

Zu den bereits in der Entwicklung befindlichen Verbesserungen gehört die Integration mehrerer Agenten der künstlichen Intelligenz innerhalb von CRESt, die miteinander „sprechen“, um die Bildverarbeitung und Entscheidungsfindung in der Materialanalyse zu verbessern. Solche Multi-Agenten-Ansätze tragen zu einer besseren Genauigkeit bei der Erkennung von Phasen und Strukturen in Materialien bei.

Die Ausweitung solcher Systeme vom Labormaßstab auf industrielle Prozesse, automatisierte Pilotanlagen und die Massenproduktion erfordert zusätzliche Schritte: Standardisierung von Protokollen, Modularität von Laborkomponenten, ein offenes Datenaustauschformat und Interoperabilität zwischen verschiedenen autonomen Laboren.

Letztendlich will CRESt den menschlichen Wissenschaftler nicht ersetzen, sondern ihn befähigen. Das System erklärt seine Hypothesen und Prozesse in natürlicher Sprache und ermöglicht die Zusammenarbeit von Mensch und Maschine bei der Lösung der komplexesten Probleme. Während Maschinen optimieren und automatisieren, bleiben die Menschen die Schöpfer, die kritisch denken und den wissenschaftlichen Fluss in Richtung eines unbekannten Horizonts lenken.