Die Theorieabteilung des Fritz-Haber-Instituts hat gemeinsam mit BASF und dem BasCat – UniCat BASF JointLab einen Ansatz entwickelt, der Gray-Box-KI in selbststeuernde Labore (Self-Driving Laboratories, SDLs) integriert und dabei nicht nur die Suche nach leistungsfähigeren Katalysatoren beschleunigt, sondern auch die chemischen Ursachen der Leistungssteigerung sichtbar macht. Validiert wurde der Ansatz an der oxidativen Dehydrierung von Propan zu Propylen – einer industriell zentralen Reaktion.
SDLs kombinieren eine KI zur Versuchsplanung mit Laborautomatisierung und Robotik. Bisherige KI-gestützte SDL-Ansätze wurden vor allem für ihre Geschwindigkeit bei der Materialoptimierung geschätzt, verhielten sich dabei jedoch wie „Black Boxes“: Sie lieferten Ergebnisse ohne Erklärungen. Das Fritz-Haber-Institut-Team setzt dem ein Verfahren entgegen, das als Gray-Box-KI bezeichnet wird und die Methode transparenter sowie kontrollierbarer gestaltet.
Gray-Box-KI als Alternative zum Black-Box-Prinzip in der Materialforschung
Der Kernunterschied des neuen Ansatzes liegt in der gezielten Gestaltung der Explorationsstrategie der KI bei der Untersuchung möglicher Materialkombinationen. Herkömmliche Systeme identifizieren das leistungsfähigste Material, ohne die Ursachen seiner Überlegenheit offenzulegen. Die Gray-Box-KI hingegen ist so ausgelegt, dass ihre Entscheidungen für Chemiker nachvollziehbar bleiben und chemisch interpretierbare Erkenntnisse erzeugt werden – nicht als Nebenprodukt, sondern als integraler Bestandteil des Verfahrens.
In der Anwendung auf die Propan-Propylen-Reaktion hob der Ansatz den Einfluss einzelner Promotoren im identifizierten Katalysator hervor sowie die synergetischen Wechselwirkungen zwischen ihnen – Zusammenhänge, die in früheren konventionellen Studien verborgen geblieben waren. Der identifizierte Katalysator übertrifft den aktuellen Industriestandard. Propylen ist essenzieller Baustein der chemischen Industrie und Ausgangsstoff für Kunststoffe, synthetische Fasern und zahlreiche weitere Alltagsprodukte.
Weniger als 50 Experimente für über zehn Billionen Kombinationen
Die Methode zeichnet sich durch ihre rechnerische Sparsamkeit aus. Weniger als 50 Experimente genügten, um einen Designraum mit mehr als 10¹³ – also über zehn Billionen – möglichen Promotor-Kombinationen zu durchsuchen. Dieser Wert verdeutlicht, wie stark Gray-Box-KI-gestützte SDLs den experimentellen Aufwand gegenüber klassischen Trial-and-Error-Verfahren reduzieren können, ohne dabei auf chemisches Verständnis zu verzichten.
Die Studie, veröffentlicht in ACS Catalysis, zeigt, dass KI in der Chemie nicht zwingend als undurchschaubare Optimierungsmaschine eingesetzt werden muss. Wird die Explorationsstrategie von Beginn an auf Interpretierbarkeit ausgelegt, lassen sich Leistungssteigerungen und wissenschaftliches Verständnis parallel erzielen. Das Forschungsteam sieht darin die Grundlage dafür, dass KI künftig als aktiver Partner bei wissenschaftlichen Entdeckungen fungiert – nicht als effizientes, aber kaum bewertbares Werkzeug.
