Neue Materialien sollen möglichst leistungsfähig, langlebig und umweltfreundlich sein. In den letzten Jahren hat künstliche Intelligenz (KI) die Materialsuche grundlegend verändert. Die KI kann in kurzer Zeit unzählige chemische Zusammensetzungen und Strukturen prüfen und die vielversprechendsten auswählen. Doch was nützt ein Material mit herausragenden Eigenschaften, wenn die Herstellung enorme Energiemengen verschlingt oder knappe Rohstoffe benötigt? Solche Fragen werden bei der Entwicklung neuer Materialien häufig erst spät berücksichtigt. Im Zweifel sind dann bereits viel Zeit, Energie und Geld in eine Lösung geflossen, die sich kaum für die Praxis eignet.
KI-Vorhersage auch für den Lebenszyklus
Ein Forschungsteam um Sajid Mannan vom Indian Institute of Technology in Delhi hat deshalb eine Strategie entwickelt, durch die künstliche Intelligenz schon bei der Suche nach neuen Materialien deren mögliche Umweltwirkungen berücksichtigen kann. Dafür soll die KI
bei der Materialentwicklung zeitgleich den Lebenszyklus vorhersagen. „Eine solche Analyse erfasst Umweltwirkungen von der Rohstoffgewinnung über Herstellung und Nutzung bis zum Lebensende eines Produkts.“, erläutert Co-Autor Lothar Wondraczek von der Universität Jena. „Künftig könnten diese Informationen bereits frühzeitig beeinflussen, welche Materialkandidaten ein KI-System weiterverfolgt und welche es letztlich in den realen Entwicklungsprozess außerhalb der Computerumgebung schaffen.”
Die Forschenden schlagen eine Vorgehensweise in fünf miteinander verknüpften Schritten vor: Zunächst sammelt die KI Informationen aus wissenschaftlichen Veröffentlichungen und anderen Quellen und führt diese in Material- und Umweltdatenbanken zusammen. Darauf aufbauend schätzen die Modelle, wie die Zusammensetzung und Struktur eines Materials mit Herstellungsverfahren und Umweltwirkungen zusammenhängen. Dabei sollen sie auch verschiedene mögliche Produktionswege und deren Unsicherheiten berücksichtigen. In die finale Auswahl und Optimierung neuer Materialien fließen schließlich sowohl die technische Leistungsfähigkeit als auch die Umweltwirkungen ein.
Fehlende Daten als Herausforderung
„Eine besondere Herausforderung besteht darin, ganz unterschiedliche Informationen miteinander zu verknüpfen“, erklärt Mannans Kollege Anoop Krishnan. „Neben Messwerten und Computersimulationen müssen die KI-Modelle künftig auch Informationen über Herstellungsverfahren, gesetzliche Vorgaben und die gesellschaftliche Akzeptanz eines Materials berücksichtigen.“ Hinzu kommt, dass für völlig neue Materialien häufig noch keine Daten aus der industriellen Herstellung oder langjährigen Nutzung vorliegen.
Was das konkret bedeuten kann, demonstriert das Team am Beispiel bekannter Materialien wie Polymeren, Glas, Fotolacken für die Halbleiterfertigung und Zement: Bei vielen Polymeren fehlen unter anderem systematisch aufbereitete Daten zu Umweltwirkungen, bei neuen Gläsern geeignete Modelle, die Zusammensetzung, Eigenschaften und Umweltbilanz verbinden. Für Zement existieren dagegen vergleichsweise viele Ökobilanzdaten, während die Modellierung von Materialeigenschaften über mehrere Größenskalen hinweg schwierig bleibt.
Schrittweise Verbesserung
Um diese Lücken zu schließen, schlagen die Forschenden vor, zunächst verschiedene plausible Szenarien zu berechnen und die Unsicherheiten offenzulegen. Mit neuen experimentellen und industriellen Daten könnten sie die Modelle anschließend schrittweise verbessern. „Multimodale KI-Modelle, die in die Zukunft schauen, können uns dabei helfen, aus der Vielzahl theoretisch möglicher Materialien genau diejenigen herauszufiltern, die mit hoher Wahrscheinlichkeit auch zu nachhaltigen Anwendungen führen könnten. Sie werden uns aber nicht davon abhalten, im Labor auch neugierig unwahrscheinliche Ansätze zu verfolgen“, sagt Wondraczek.
Quelle: Indian Institute of Technology Delhi, Fachartikel: Nature Sustainability, doi: 10.1038/s41893-026-01950-4
