Die Umwandlung von klimaschädlichem Kohlendioxid in nutzbaren Kraftstoff gilt als eine der großen Hoffnungen im Kampf gegen den Klimawandel – ein Thema, das auch für die deutsche Energiewende und die hiesige Chemie- und Industrieforschung von unmittelbarer Bedeutung ist. Genau an diesem Punkt setzt eine neue Untersuchung an, die zeigt, wie leicht künstliche Intelligenz in der Wissenschaft in die Irre führen kann. Forschende des SLAC National Accelerator Laboratory in den USA ließen vier Labore denselben Katalysator testen – und stießen dabei auf ein grundlegendes Problem der Datenqualität. Die Ergebnisse erschienen im Fachjournal Nature Catalysis.
- Vier US-Labore testeten unabhängig denselben rhodiumbasierten Katalysator zur CO2-Umwandlung.
- Trotz gleicher Protokolle wichen ihre Messergebnisse deutlich voneinander ab.
- Eine der größten Fehlerquellen war schlicht, wie stark die Mischung gerührt oder geschüttelt wurde.
Katalysatoren sind Stoffe, die chemische Reaktionen beschleunigen, ohne selbst verbraucht zu werden. Um aus CO2 Brennstoffe zu gewinnen, ist ein erster wichtiger Schritt die Erzeugung von Kohlenmonoxid. Welcher Katalysator dafür am besten und am längsten funktioniert, lässt sich klassisch nur mit vielen aufwendigen Experimenten herausfinden.
KI soll die Suche nach besseren Katalysatoren beschleunigen
Hier kommen KI-Modelle ins Spiel. Mit ihnen könnten Forschende Bedingungen wie Temperatur, Reaktionszeit und Zusammensetzung eingeben, eine Simulation laufen lassen und eine Vorhersage über die Leistung erhalten. Nur wenige gezielte Experimente wären dann nötig, um die Prognose zu bestätigen. Das spart Zeit und Geld – und erlaubt es, Zustände zu untersuchen, die im Labor kaum erreichbar sind. Denn während Laborstudien meist nur wenige Tage abbilden, tritt die Alterung eines Katalysators erst über Monate bis Jahre auf, etwa durch Verunreinigungen und wiederholte Hitze.
Doch solche Modelle brauchen große Mengen hochwertiger Daten. Um diese zu erzeugen, führten die vier Labore sogenannte Ringversuche durch: Mehrere Einrichtungen führen nach vorab vereinbarten Protokollen dieselben Tests mit demselben, rhodiumbasierten Katalysator durch, um die Reproduzierbarkeit zu prüfen.
Vier Labore, vier unterschiedliche Ergebnisse
Das Resultat überraschte die Beteiligten. Jedes der vier Teams erhielt abweichende Mengen an Kohlenmonoxid und Methan, einem unerwünschten Nebenprodukt. „Es war schon ein Augenöffner“, sagte Adam Hoffman, wissenschaftlicher Mitarbeiter am SLAC und Seniorautor der Studie. Ein Computer könne aus vier Datensätzen mit unterschiedlichen Ergebnissen kaum verlässlich lernen.
Eine der größten Ursachen für die Abweichungen war schlicht, wie stark die Mischung geschüttelt oder gerührt wurde.
In mühevoller Kleinarbeit prüften die Teams ihre Methoden und fanden mehrere Fehlerquellen. Erst nach weiterer Standardisierung glichen sich die Ergebnisse an. Beteiligt waren neben dem SLAC Gruppen der Pennsylvania State University, der Stanford University sowie der University of California, Santa Barbara.
Was das für den Einsatz von KI in der Forschung bedeutet
Die Botschaft der Studie reicht über die Katalyseforschung hinaus. „Unsere Ergebnisse sind eine Mahnung, vorsichtig damit umzugehen, welche Informationen wir in ein maschinelles Lernmodell einspeisen“, sagte Erstautorin Selin Bac, Postdoktorandin an der University of California, Santa Barbara. Für jede Disziplin, die auf KI setzt – von der Werkstoffkunde bis zur Medizin – heißt das: Ein Modell ist nur so verlässlich wie die Daten, mit denen es trainiert wurde. Kleine, oft übersehene Unterschiede im Versuchsaufbau können sich zu Fehlern auswachsen, die langfristige Vorhersagen verzerren.
Die Autoren geben deshalb konkrete Empfehlungen: einheitlichere Reaktordesigns, abgestimmte Betriebsprotokolle und vergleichbare Versuchsbedingungen. Hoffman hofft, dass die Arbeit als Leitfaden dient, wenn Experimentalforschende und Datenwissenschaftler künftig Versuche für KI-Modelle planen.
Wie viel Vertrauen sollten wir KI-Vorhersagen in der Forschung entgegenbringen, solange die zugrunde liegenden Daten so fehleranfällig sind? Teilen Sie Ihre Einschätzung in den Kommentaren.
